Inteligența artificială fizică în lumea reală

Inteligența artificială fizică permite roboților să perceapă, să se adapteze și să acționeze în lumea fizică, necesitând mult mai puțină inginerie specifică fiecărei sarcini decât automatizarea tradițională.

Roboți care învață din demonstrații, își îmbunătățesc performanța prin experiență, utilizează modele de viziune și limbaj pentru a interpreta sarcinile și funcționează în medii mai puțin structurate. Este o perspectivă foarte promițătoare.

Pentru dezvoltatorii de roboți, cercetătorii în inteligență artificială fizică și echipele de robotică axate pe AI, aceste capacități fac posibile aplicații care, în mod tradițional, erau prea variabile, prea costisitoare sau prea complexe pentru a fi automatizate.

Pe măsură ce sistemele de inteligență artificială fizică trec de la simulare la aplicații din lumea reală, cerințele se schimbă. Modelele și simulările rămân esențiale, însă roboții interacționează în cele din urmă cu lumea fizică prin brațe, dispozitive de prindere, senzori și unelte care intră în contact direct cu obiectele.

Pentru a trece de la cercetare la implementare, inteligența artificială fizică are nevoie de un strat fiabil de interacțiune fizică.

OnRobot dezvoltă exact acest lucru de peste un deceniu.

Înainte ca termenul „inteligență artificială fizică” să intre în vocabularul roboticii, OnRobot aborda deja multe dintre provocările practice care definesc astăzi cercetarea din acest domeniu: adaptabilitate, detectare, feedback și capacitatea de a răspunde la variațiile din lumea reală. Uneltele noastre electrice, flexibile, montate la capătul brațului și prevăzute cu feedback sunt proiectate să funcționeze fiabil în medii reale dinamice. În prezent, peste 22.000 de produse OnRobot sunt instalate într-o gamă largă de aplicații din întreaga lume.

2. Modelele mai performante necesită un strat de execuție fiabil

Pe măsură ce modelele fundamentale, învățarea roboților, sistemele viziune-limbaj-acțiune și simularea devin mai performante, stratul de execuție devine și mai important.

Mișcarea robotului este relativ matură în comparație cu manipularea din lumea reală. Acest lucru se datorează faptului că manipularea depinde de variabile fizice care nu pot fi eliminate sau modelate perfect.

De aceea efectorul final este atât de important.

3. Datele bogate despre contact completează simularea și viziunea

Simularea permite echipelor să antreneze, să testeze și să itereze rapid. Viziunea ajută roboții să recunoască obiecte, să înțeleagă scene și să planifice mișcări.

Manipularea fiabilă necesită și feedback fizic. Pentru sistemele bazate pe învățare, date mai complete despre interacțiuni pot îmbunătăți antrenarea, validarea și analiza defecțiunilor.

Dinamica contactului, inclusiv frecarea, complianța, alunecarea, deformarea, inerția și variația suprafeței, este dificil de reprodus în simulare. O prindere reușită în simulare poate eșua în lumea reală dacă obiectul se deplasează, suprafața reacționează diferit sau piesa opune rezistență la contact.

O cameră poate localiza un obiect, dar nu poate determina întotdeauna dacă acesta este prins în siguranță. De asemenea, poate rata alunecările ușoare, contactul asimetric, rezistența în timpul inserării sau forța excesivă.

Aceste limitări fac din feedbackul multimodal o parte importantă a inteligenței artificiale fizice.

Diferitele forme de feedback surprind etape diferite ale unei interacțiuni. Detectarea proximității furnizează date înainte de contact. Detectarea forței/cuplului poate oferi informații în timpul contactului. Detectarea prinderii confirmă dacă robotul ține obiectul. Datele privind deschiderea dispozitivului de prindere oferă informații despre obiect și starea prinderii, iar semnalele de succes și eșec susțin bucla de învățare.

Dispozitivul de prindere RG2-FT combină

4. Manipularea flexibilă necesită unealta potrivită pentru fiecare sarcină

Inteligența artificială fizică este adesea asociată cu roboții de uz general, însă niciun efector final nu este ideal pentru fiecare sarcină.

Obiectele și aplicațiile diferite necesită moduri diferite de interacțiune:

Atunci când roboții trebuie să gestioneze variații, să învețe din experiență sau să lucreze în mai multe sarcini, efectorul final devine parte din arhitectura sistemului. Acesta determină ce poate robotul să prindă, să ridice, să țină, să introducă, să împingă, să tragă, să schimbe și să elibereze și influențează feedbackul disponibil pentru controler sau model.

Portofoliul OnRobot a fost construit în jurul acestei realități practice înainte ca inteligența artificială fizică să devină un subiect central. Uneltele sale electrice și flexibile, cu funcții de feedback, sunt proiectate pentru a facilita implementarea, adaptarea și reutilizarea automatizării în diferite aplicații.

Aceeași filozofie de proiectare este acum strâns aliniată cu nevoile cercetătorilor în inteligență artificială fizică și ale companiilor de robotică axate pe AI.

Proiectat pentru variațiile din lumea reală

Următoarea etapă a inteligenței artificiale fizice va depinde de modele mai puternice, date mai bune, simulări îmbunătățite și platforme robotice mai capabile. Va depinde și de un strat de interacțiune fizică format din dispozitive de prindere, senzori, schimbătoare de unelte și tehnologii pentru capătul brațului, care permit modelelor să acționeze fiabil în lumea reală.

Uneltele montate la capătul brațului nu mai sunt doar ultima componentă adăugată unui robot. Ele sunt o parte integrantă a sistemelor avansate de învățare.

Portofoliul OnRobot, validat în industrie, oferă cercetătorilor, dezvoltatorilor de roboți și producătorilor o bază flexibilă pentru trecerea de la modele promițătoare la manipulare fiabilă în lumea reală.