Fysisk AI i den verkliga världen

Fysisk AI gör det möjligt för robotar att uppfatta, anpassa sig och agera i den fysiska världen med betydligt mindre uppgiftsspecifik utveckling än traditionell automation.

Robotar som lär sig genom demonstrationer, förbättras genom erfarenhet, använder syn- och språkmodeller för att tolka uppgifter och fungerar i mindre strukturerade miljöer. Det är en mycket lovande möjlighet.

För robotutvecklare, forskare inom fysisk AI och robotikteam med AI som utgångspunkt möjliggör dessa funktioner tillämpningar som traditionellt har varit för varierande, kostsamma eller komplexa att automatisera.

När system för fysisk AI går från simulering till tillämpningar i den verkliga världen förändras kraven. Modeller och simuleringar är fortfarande avgörande, men robotar interagerar i slutändan med den fysiska världen genom armar, gripdon, sensorer och verktyg som kommer i direkt kontakt med föremål.

För att gå från forskning till driftsättning behöver fysisk AI ett tillförlitligt lager för fysisk interaktion.

Det är precis vad OnRobot har utvecklat i mer än ett decennium.

Innan ”fysisk AI” blev en del av robotikens vokabulär arbetade OnRobot redan med många av de praktiska utmaningar som i dag definierar forskningen inom området: anpassningsförmåga, avkänning, återkoppling och förmågan att hantera variationer i den verkliga världen. Våra elektriska, flexibla end-of-arm-verktyg med återkoppling är utvecklade för att fungera tillförlitligt i dynamiska verkliga miljöer. I dag finns mer än 22 000 OnRobot-produkter installerade i ett brett spektrum av tillämpningar över hela världen.

2. Mer avancerade modeller kräver ett tillförlitligt exekveringslager

I takt med att grundmodeller, robotinlärning, vision-language-action-system och simulering blir mer avancerade blir exekveringslagret ännu viktigare.

Robotens rörelser är relativt mogna jämfört med manipulering i den verkliga världen. Det beror på att manipulering påverkas av fysiska variabler som inte kan elimineras eller modelleras perfekt.

Därför är ändeffektorn så viktig.

3. Kontaktrika data kompletterar simulering och seende

Simulering gör det möjligt för team att träna, testa och iterera snabbt. Seende hjälper robotar att känna igen föremål, förstå scener och planera rörelser.

Tillförlitlig manipulering kräver även fysisk återkoppling. För inlärningsbaserade system kan mer fullständiga interaktionsdata förbättra träning, validering och felanalys.

Kontaktdynamik, inklusive friktion, eftergivlighet, glidning, deformation, tröghet och ytvariationer, är svår att återskapa i simulering. Ett grepp som lyckas i simuleringen kan misslyckas i den verkliga världen om föremålet förflyttas, ytan reagerar annorlunda eller delen gör motstånd vid kontakt.

En kamera kan lokalisera ett föremål, men kan inte alltid avgöra om det hålls säkert. Den kan också missa mindre glidningar, asymmetrisk kontakt, motstånd vid införing eller för hög kraft.

Dessa begränsningar gör multimodal återkoppling till en viktig del av fysisk AI.

Olika typer av återkoppling fångar olika faser av en interaktion. Närhetsavkänning ger data före kontakt. Kraft-/momentavkänning kan ge information under kontakt. Greppdetektering bekräftar om roboten håller föremålet. Data om gripdonets öppning ger information om föremålet och grepptillståndet, medan signaler om lyckade och misslyckade resultat stödjer inlärningsloopen.

Gripdonet RG2-FT kombinerar

4. Flexibel manipulering kräver rätt verktyg för varje uppgift

Fysisk AI förknippas ofta med robotar för allmänna ändamål, men ingen enskild ändeffektor är idealisk för alla uppgifter.

Olika föremål och tillämpningar kräver olika former av interaktion:

När robotar förväntas hantera variationer, lära sig av erfarenhet eller arbeta med flera uppgifter blir ändeffektorn en del av systemarkitekturen. Den avgör vad roboten kan gripa, lyfta, hålla, föra in, skjuta, dra, byta och släppa, och påverkar vilken återkoppling som är tillgänglig för styrenheten eller modellen.

OnRobots portfölj byggdes kring denna praktiska verklighet innan fysisk AI blev ett uppmärksammat begrepp. De elektriska, flexibla verktygen med återkoppling är utvecklade för att göra det enklare för tillverkare att driftsätta, anpassa och återanvända automation i olika tillämpningar.

Samma designfilosofi ligger nu nära behoven hos forskare inom fysisk AI och robotikföretag med AI som utgångspunkt.

Utvecklad för variationer i den verkliga världen

Nästa fas av fysisk AI kommer att bero på kraftfullare modeller, bättre data, förbättrad simulering och mer avancerade robotplattformar. Den kommer också att bero på ett fysiskt interaktionslager med gripdon, sensorer, verktygsväxlare och end-of-arm-teknik som gör det möjligt för modeller att agera tillförlitligt i den verkliga världen.

End-of-arm-verktyg är inte längre bara den sista komponenten som läggs till en robot. De är en integrerad del av avancerade inlärningssystem.

OnRobots industriellt beprövade portfölj ger forskare, robotutvecklare och tillverkare en flexibel grund för att gå från lovande modeller till tillförlitlig manipulering i den verkliga världen.