Fysisk AI i den virkelige verden

Fysisk AI gjør det mulig for roboter å oppfatte, tilpasse seg og handle i den fysiske verden med langt mindre oppgavespesifikk utvikling enn tradisjonell automatisering.

Roboter som lærer av demonstrasjoner, forbedrer ytelsen gjennom erfaring, bruker syns- og språkmodeller til å tolke oppgaver og fungerer i mindre strukturerte miljøer. Det er en svært lovende mulighet.

For robotutviklere, forskere innen fysisk AI og robotikkteam med AI som utgangspunkt åpner disse egenskapene for bruksområder som tradisjonelt har vært for variable, kostbare eller komplekse å automatisere.

Når fysiske AI-systemer går fra simulering til anvendelse i den virkelige verden, endres kravene. Modeller og simuleringer er fortsatt avgjørende, men roboter samhandler til syvende og sist med den fysiske verden gjennom armer, gripere, sensorer og verktøy som kommer i direkte kontakt med objekter.

For å gå fra forskning til implementering trenger fysisk AI et pålitelig lag for fysisk interaksjon.

OnRobot har utviklet nettopp dette i mer enn ti år.

Allerede før «fysisk AI» ble et vanlig begrep innen robotikk, arbeidet OnRobot med mange av de praktiske utfordringene som nå definerer forskning på fysisk AI: tilpasningsevne, registrering, tilbakemelding og evnen til å håndtere variasjoner i den virkelige verden. Våre elektriske, fleksible end-of-arm-verktøy med tilbakemelding er utviklet for å fungere pålitelig i dynamiske, virkelige miljøer. I dag er mer enn 22 000 OnRobot-produkter installert i et bredt spekter av bruksområder over hele verden.

2. Modeller med høyere ytelse trenger et pålitelig utførelseslag

Etter hvert som grunnmodeller, robotlæring, syn-språk-handlingssystemer og simulering blir bedre, blir utførelseslaget stadig viktigere.

Robotbevegelse er relativt moden sammenlignet med manipulering i den virkelige verden. Det skyldes at manipulering påvirkes av fysiske variabler som ikke kan fjernes eller modelleres perfekt.

Derfor er endeeffektoren avgjørende.

3. Kontaktdata utfyller simulering og syn

Simulering gjør det mulig for team å lære, teste og iterere raskt. Syn hjelper roboter med å finne objekter, forstå situasjoner og planlegge bevegelser.

Pålitelig manipulering krever også fysisk tilbakemelding. For læringsbaserte systemer kan mer komplette interaksjonsdata forbedre opplæring, validering og feilanalyse.

Kontaktdynamikk som friksjon, ettergivelighet, glidning, deformasjon, treghet og overflatevariasjon er vanskelig å gjenskape i simulering. Et grep som lykkes i simulering, kan mislykkes i den virkelige verden hvis objektet beveger seg, overflaten reagerer annerledes eller delen yter motstand ved kontakt.

Et kamera kan lokalisere et objekt, men kan ikke alltid avgjøre om objektet holdes sikkert. Det kan også overse svak glidning, asymmetrisk kontakt, motstand under innsetting eller for stor kraft.

Disse begrensningene gjør multimodal tilbakemelding til en viktig del av fysisk AI.

Ulike typer tilbakemelding fanger opp forskjellige faser av interaksjonen. Nærhetsregistrering gir data før kontakt. Kraft-/momentsensorer kan gi informasjon under kontakt. Grepsregistrering bekrefter om roboten holder objektet. Data om griperbredden gir informasjon om objektet og grepstilstanden, mens signaler om suksess og feil støtter læringssløyfen.

RG2-FT-griperen kombinerer

4. Fleksibel manipulering krever riktig verktøy for oppgaven

Fysisk AI forbindes ofte med generaliserte roboter, men ingen enkelt endeeffektor passer til alle oppgaver.

Ulike objekter og bruksområder krever ulike former for interaksjon:

Når en robot skal tilpasse seg variasjoner, lære av erfaring og utføre flere oppgaver, blir endeeffektoren en del av systemarkitekturen. Den avgjør hva roboten kan gripe, løfte, holde, sette inn, skyve, trekke, bytte og slippe, og påvirker hvilken tilbakemelding kontrolleren eller modellen kan bruke.

OnRobots portefølje ble bygget rundt denne praktiske virkeligheten lenge før fysisk AI ble et sentralt tema. Elektriske, fleksible verktøy med tilbakemelding er utviklet for å gjøre det enklere for produsenter å implementere, tilpasse og gjenbruke automatisering på tvers av bruksområder.

Denne designfilosofien samsvarer i dag tett med behovene til forskere innen fysisk AI og robotikkselskaper med AI som utgangspunkt.

Utviklet for variasjoner i den virkelige verden

Neste fase av fysisk AI vil avhenge av kraftigere modeller, bedre data, forbedret simulering og robotplattformer med høyere ytelse. Den vil også avhenge av et fysisk interaksjonslag med gripere, sensorer, verktøyvekslere og end-of-arm-teknologi som gjør at modellene kan handle pålitelig i den virkelige verden.

End-of-arm-verktøy er ikke lenger bare en komponent som legges til roboten til slutt. De er en sentral del av avanserte læringssystemer.

OnRobots industrielt utprøvde portefølje gir forskere, robotutviklere og produsenter et fleksibelt fundament for å gå fra lovende modeller til pålitelig manipulering i den virkelige verden.