Physical AI ในโลกจริง

Physical AI ช่วยให้หุ่นยนต์รับรู้ ปรับตัว และทำงานในโลกจริงได้ โดยใช้การพัฒนาทางวิศวกรรมเฉพาะงานน้อยกว่าระบบอัตโนมัติแบบเดิมอย่างมาก

หุ่นยนต์ที่เรียนรู้จากการสาธิต พัฒนาประสิทธิภาพจากประสบการณ์ ใช้โมเดลการมองเห็นและภาษาเพื่อตีความงาน และทำงานในสภาพแวดล้อมที่มีโครงสร้างน้อยลง นี่คือศักยภาพที่น่าสนใจอย่างยิ่ง

สำหรับนักพัฒนาหุ่นยนต์ นักวิจัย Physical AI และทีมวิทยาการหุ่นยนต์ที่ใช้ AI เป็นพื้นฐาน ความสามารถเหล่านี้ช่วยให้สามารถทำงานที่เดิมมีความแปรปรวนสูง มีต้นทุนสูง หรือซับซ้อนเกินกว่าจะทำเป็นระบบอัตโนมัติได้

เมื่อระบบ Physical AI เปลี่ยนจากการจำลองไปสู่การใช้งานในโลกจริง ข้อกำหนดต่าง ๆ ก็เปลี่ยนไป โมเดลและการจำลองยังคงมีความสำคัญ แต่ท้ายที่สุดหุ่นยนต์จะโต้ตอบกับโลกจริงผ่านแขนหุ่นยนต์ กริปเปอร์ เซนเซอร์ และเครื่องมือที่สัมผัสกับวัตถุโดยตรง

การเปลี่ยนจากงานวิจัยไปสู่การติดตั้งใช้งานต้องอาศัยชั้นการโต้ตอบทางกายภาพที่เชื่อถือได้สำหรับ Physical AI

OnRobot พัฒนาเทคโนโลยีด้านนี้มาแล้วกว่าหนึ่งทศวรรษ

ก่อนที่คำว่า “Physical AI” จะกลายเป็นส่วนหนึ่งของศัพท์ด้านวิทยาการหุ่นยนต์ OnRobot ได้แก้ไขความท้าทายในทางปฏิบัติหลายประการที่กำหนดทิศทางการวิจัย Physical AI ในปัจจุบัน ไม่ว่าจะเป็นความสามารถในการปรับตัว การตรวจจับ ฟีดแบ็ก และการตอบสนองต่อความแปรปรวนในโลกจริง เครื่องมือปลายแขนแบบไฟฟ้าที่ยืดหยุ่นและมีฟีดแบ็กของเราได้รับการออกแบบให้ทำงานได้อย่างเชื่อถือได้ในสภาพแวดล้อมจริงที่เปลี่ยนแปลงตลอดเวลา ปัจจุบันมีผลิตภัณฑ์ OnRobot มากกว่า 22,000 ชิ้นติดตั้งอยู่ในงานหลากหลายประเภททั่วโลก

2. โมเดลที่มีความสามารถสูงขึ้นต้องอาศัยชั้นการดำเนินงานที่เชื่อถือได้

เมื่อโมเดลพื้นฐาน การเรียนรู้ของหุ่นยนต์ ระบบการมองเห็น-ภาษา-การกระทำ และการจำลองมีความสามารถมากขึ้น ชั้นการดำเนินงานก็ยิ่งมีความสำคัญ

เทคโนโลยีการเคลื่อนที่ของหุ่นยนต์มีความพร้อมค่อนข้างสูงเมื่อเทียบกับการจัดการวัตถุในโลกจริง เนื่องจากการจัดการวัตถุขึ้นอยู่กับตัวแปรทางกายภาพที่ไม่สามารถกำจัดหรือจำลองได้อย่างสมบูรณ์

นี่คือเหตุผลที่อุปกรณ์ปลายแขนมีความสำคัญอย่างยิ่ง

3. ข้อมูลการสัมผัสช่วยเสริมการจำลองและระบบการมองเห็น

การจำลองช่วยให้ทีมฝึก ทดสอบ และปรับปรุงได้อย่างรวดเร็ว ระบบการมองเห็นช่วยให้หุ่นยนต์จดจำวัตถุ เข้าใจฉาก และวางแผนการเคลื่อนไหว

การจัดการวัตถุที่เชื่อถือได้ยังต้องอาศัยฟีดแบ็กทางกายภาพ สำหรับระบบที่ใช้การเรียนรู้ ข้อมูลการโต้ตอบที่สมบูรณ์ยิ่งขึ้นช่วยปรับปรุงการฝึก การตรวจสอบความถูกต้อง และการวิเคราะห์ความล้มเหลว

พลวัตการสัมผัส เช่น แรงเสียดทาน ความยืดหยุ่น การลื่นไถล การเสียรูป ความเฉื่อย และความแปรปรวนของพื้นผิว เป็นสิ่งที่จำลองได้ยาก การจับที่สำเร็จในการจำลองอาจล้มเหลวในโลกจริง หากวัตถุเคลื่อนที่ พื้นผิวตอบสนองต่างออกไป หรือชิ้นงานต้านแรงเมื่อสัมผัส

กล้องสามารถระบุตำแหน่งวัตถุได้ แต่ไม่สามารถบอกได้เสมอว่าวัตถุถูกจับไว้อย่างมั่นคงหรือไม่ และอาจพลาดการลื่นไถลเล็กน้อย การสัมผัสที่ไม่สมมาตร แรงต้านระหว่างการสอด หรือแรงที่มากเกินไป

ข้อจำกัดเหล่านี้ทำให้ฟีดแบ็กหลายรูปแบบเป็นส่วนสำคัญของ Physical AI

ฟีดแบ็กแต่ละรูปแบบให้ข้อมูลในแต่ละช่วงของการโต้ตอบ การตรวจจับระยะใกล้ให้ข้อมูลก่อนการสัมผัส การตรวจจับแรง/แรงบิดให้ข้อมูลระหว่างการสัมผัส การตรวจจับการจับยืนยันว่าหุ่นยนต์จับวัตถุอยู่หรือไม่ ข้อมูลความกว้างของกริปเปอร์ให้ข้อมูลเกี่ยวกับวัตถุและสถานะการจับ ขณะที่สัญญาณความสำเร็จและความล้มเหลวช่วยสนับสนุนวงจรการเรียนรู้

กริปเปอร์ RG2-FT รวมความสามารถดังต่อไปนี้

4. การจัดการวัตถุอย่างยืดหยุ่นต้องใช้เครื่องมือที่เหมาะกับแต่ละงาน

Physical AI มักเชื่อมโยงกับหุ่นยนต์อเนกประสงค์ แต่ไม่มีอุปกรณ์ปลายแขนเพียงชนิดเดียวที่เหมาะกับทุกงาน

วัตถุและงานที่แตกต่างกันต้องการรูปแบบการโต้ตอบที่แตกต่างกัน:

เมื่อหุ่นยนต์ต้องรับมือกับความแปรปรวน เรียนรู้จากประสบการณ์ หรือทำงานหลายประเภท อุปกรณ์ปลายแขนจะกลายเป็นส่วนหนึ่งของสถาปัตยกรรมระบบ โดยกำหนดว่าหุ่นยนต์สามารถจับ ยก ถือ สอด ดัน ดึง เปลี่ยน และปล่อยอะไรได้บ้าง รวมถึงมีผลต่อฟีดแบ็กที่คอนโทรลเลอร์หรือโมเดลนำไปใช้ได้

พอร์ตโฟลิโอของ OnRobot ถูกพัฒนาขึ้นโดยคำนึงถึงความเป็นจริงในทางปฏิบัตินี้ ก่อนที่ Physical AI จะกลายเป็นหัวข้อสำคัญ เครื่องมือไฟฟ้าที่ยืดหยุ่นและมีฟีดแบ็กได้รับการออกแบบเพื่อช่วยให้ผู้ผลิตติดตั้ง ปรับใช้ และนำระบบอัตโนมัติกลับมาใช้ใหม่ในงานต่าง ๆ ได้ง่ายขึ้น

แนวคิดการออกแบบเดียวกันนี้สอดคล้องอย่างใกล้ชิดกับความต้องการของนักวิจัย Physical AI และบริษัทวิทยาการหุ่นยนต์ที่ใช้ AI เป็นพื้นฐานในปัจจุบัน

ออกแบบมาเพื่อรับมือกับความแปรปรวนในโลกจริง

ขั้นต่อไปของ Physical AI จะขึ้นอยู่กับโมเดลที่มีประสิทธิภาพมากขึ้น ข้อมูลที่ดีขึ้น การจำลองที่พัฒนาขึ้น และแพลตฟอร์มหุ่นยนต์ที่มีความสามารถสูงขึ้น รวมถึงชั้นการโต้ตอบทางกายภาพที่ประกอบด้วยกริปเปอร์ เซนเซอร์ ตัวเปลี่ยนเครื่องมือ และเทคโนโลยีปลายแขน ซึ่งช่วยให้โมเดลทำงานได้อย่างเชื่อถือได้ในโลกจริง

เครื่องมือปลายแขนไม่ได้เป็นเพียงชิ้นส่วนสุดท้ายที่เพิ่มให้กับหุ่นยนต์อีกต่อไป แต่เป็นองค์ประกอบสำคัญของระบบการเรียนรู้ขั้นสูง

พอร์ตโฟลิโอของ OnRobot ที่ผ่านการพิสูจน์ในภาคอุตสาหกรรม มอบรากฐานที่ยืดหยุ่นให้นักวิจัย นักพัฒนาหุ่นยนต์ และผู้ผลิต เพื่อเปลี่ยนจากโมเดลที่มีศักยภาพไปสู่การจัดการวัตถุในโลกจริงอย่างเชื่อถือได้