Fizyczna sztuczna inteligencja w rzeczywistym świecie

Fizyczna AI pozwala robotom postrzegać świat fizyczny, dostosowywać się do niego i działać w nim przy znacznie mniejszym nakładzie prac inżynieryjnych dla konkretnych zadań niż tradycyjna automatyzacja.

Roboty, które uczą się na podstawie demonstracji, poprawiają wydajność dzięki doświadczeniu, wykorzystują modele wizyjne i językowe do interpretowania zadań oraz działają w mniej ustrukturyzowanych środowiskach. To bardzo obiecująca perspektywa.

Dla twórców robotów, badaczy fizycznej AI i zespołów robotycznych opartych na AI możliwości te otwierają zastosowania, które dotychczas były zbyt zmienne, kosztowne lub złożone, aby je automatyzować.

Gdy systemy fizycznej AI przechodzą od symulacji do zastosowań w rzeczywistym świecie, zmieniają się wymagania. Modele i symulacje pozostają niezbędne, ale roboty ostatecznie wchodzą w interakcję ze światem fizycznym za pomocą ramion, chwytaków, czujników i narzędzi mających bezpośredni kontakt z obiektami.

Aby przejść od badań do wdrożenia, fizyczna AI potrzebuje niezawodnej warstwy interakcji fizycznej.

OnRobot rozwija właśnie takie rozwiązania od ponad dziesięciu lat.

Jeszcze zanim termin „fizyczna AI” wszedł do słownika robotyki, OnRobot zajmował się wieloma praktycznymi wyzwaniami, które dziś definiują badania w tej dziedzinie: zdolnością adaptacji, wykrywaniem, informacją zwrotną i reagowaniem na zmienność rzeczywistego świata. Nasze elektryczne, elastyczne narzędzia końca ramienia z funkcją informacji zwrotnej zaprojektowano z myślą o niezawodnej pracy w dynamicznych, rzeczywistych środowiskach. Obecnie na całym świecie w szerokim zakresie zastosowań zainstalowanych jest ponad 22 000 produktów OnRobot.

2. Bardziej zaawansowane modele wymagają niezawodnej warstwy wykonawczej

Wraz ze wzrostem możliwości modeli bazowych, uczenia robotów, systemów vision-language-action i symulacji rośnie znaczenie warstwy wykonawczej.

Sterowanie ruchem robota jest stosunkowo dojrzałe w porównaniu z manipulacją w rzeczywistym świecie. Manipulacja zależy bowiem od zmiennych fizycznych, których nie da się wyeliminować ani idealnie zamodelować.

Dlatego efektor końcowy ma tak duże znaczenie.

3. Dane kontaktowe uzupełniają symulację i system wizyjny

Symulacja pozwala zespołom szybko trenować, testować i iterować. System wizyjny pomaga robotom rozpoznawać obiekty, rozumieć sceny i planować ruch.

Niezawodna manipulacja wymaga również fizycznej informacji zwrotnej. W systemach opartych na uczeniu pełniejsze dane o interakcjach mogą usprawnić trening, walidację i analizę błędów.

Dynamika kontaktu, obejmująca tarcie, podatność, poślizg, odkształcenia, bezwładność i zmienność powierzchni, jest trudna do odtworzenia w symulacji. Chwyt skuteczny w symulacji może zawieść w rzeczywistym świecie, jeśli obiekt się przesunie, powierzchnia zareaguje inaczej lub część stawi opór podczas kontaktu.

Kamera może zlokalizować obiekt, ale nie zawsze potrafi stwierdzić, czy jest on pewnie trzymany. Może również nie wykryć niewielkiego poślizgu, asymetrycznego kontaktu, oporu podczas wsuwania lub nadmiernej siły.

Te ograniczenia sprawiają, że multimodalna informacja zwrotna jest ważnym elementem fizycznej AI.

Różne formy informacji zwrotnej obejmują różne etapy interakcji. Wykrywanie zbliżenia dostarcza danych przed kontaktem. Pomiar siły/momentu może dostarczać informacji podczas kontaktu. Wykrywanie chwytu potwierdza, czy robot trzyma obiekt. Dane o szerokości chwytaka przekazują informacje o obiekcie i stanie chwytu, a sygnały powodzenia i niepowodzenia wspierają pętlę uczenia.

Chwytak RG2-FT łączy

4. Elastyczna manipulacja wymaga narzędzia odpowiedniego do zadania

Fizyczna AI jest często kojarzona z robotami ogólnego przeznaczenia, ale żaden pojedynczy efektor końcowy nie jest idealny do każdego zadania.

Różne obiekty i zastosowania wymagają różnych sposobów interakcji:

Gdy robot ma radzić sobie ze zmiennością, uczyć się na podstawie doświadczenia lub wykonywać wiele zadań, efektor końcowy staje się częścią architektury systemu. Określa, co robot może chwytać, podnosić, przytrzymywać, wsuwać, pchać, ciągnąć, wymieniać i zwalniać, oraz wpływa na informacje zwrotne dostępne dla sterownika lub modelu.

Portfolio OnRobot powstało z myślą o tej praktycznej rzeczywistości, zanim fizyczna AI stała się głośnym tematem. Elektryczne, elastyczne narzędzia z funkcją informacji zwrotnej zaprojektowano tak, aby producenci mogli łatwiej wdrażać, dostosowywać i ponownie wykorzystywać automatyzację w różnych zastosowaniach.

Ta sama filozofia projektowania jest dziś ściśle zgodna z potrzebami badaczy fizycznej AI i firm robotycznych opartych na AI.

Zaprojektowane z myślą o zmienności rzeczywistego świata

Następny etap rozwoju fizycznej AI będzie zależał od wydajniejszych modeli, lepszych danych, udoskonalonej symulacji i bardziej zaawansowanych platform robotycznych. Będzie również zależał od fizycznej warstwy interakcji obejmującej chwytaki, czujniki, zmieniacze narzędzi i technologie końca ramienia, które pozwalają modelom niezawodnie działać w rzeczywistym świecie.

Narzędzia końca ramienia nie są już tylko ostatnim elementem dodawanym do robota. Stanowią integralną część zaawansowanych systemów uczących się.

Sprawdzone w przemyśle portfolio OnRobot zapewnia badaczom, twórcom robotów i producentom elastyczną podstawę do przejścia od obiecujących modeli do niezawodnej manipulacji w rzeczywistym świecie.