Lepší uchopení pomocí inteligentních vychystávacích robotů
Výroba, sklad, přeprava - kde se zboží vyrábí, skladuje, třídí nebo balí, probíhá také vychystávání. To znamená, že několik jednotlivých věcí je odstraněno ze skladovacích jednotek, jako jsou krabice nebo kartony, a znovu sestaveno. Vědci z Technologického institutu v Karlsruhe (KIT) chtějí společně s partnery z Německa a Kanady zajistit chytřejší vychystávací roboty pomocí distribuovaných metod AI. Za tímto účelem zkoumají, jak používat tréninková data z více stanic, z více závodů nebo dokonce společností, aniž by si účastníci museli předávat citlivá firemní data.
„Zkoumáme, jak lze nejvšestrannější tréninková data z různých míst použít k vývoji robustnějších a efektivnějších řešení využívajících algoritmy umělé inteligence než s daty pouze od jednoho robota,“ říká Jonathan Auberle z Institute of Manipulation and Logistics (IFL) na KIT. V tomto procesu jsou položky dále zpracovávány autonomními roboty na několika vychystávacích stanicích pomocí uchopení a přenosu. Na různých stanicích jsou roboti trénováni s velmi odlišnými předměty. Na konci by měli být schopni uchopit články z jiných stanic, o kterých se dosud nedozvěděli. „Prostřednictvím přístupu federovaného učení vyvažujeme rozmanitost dat a bezpečnost dat v průmyslovém prostředí,“ říká expert.
Výkonné algoritmy pro průmysl a logistiku
„Federární učení se doposud používalo převážně v lékařství, kde je ochrana údajů o pacientech obzvláště vysokou prioritou,“ vysvětluje Auberle. V důsledku toho podle něj neexistuje žádná výměna tréninkových dat, jako jsou obrázky nebo uchopovací body, pro trénování umělé neuronové sítě. Místo toho se na centrální server přenáší pouze lokální váhy neuronové sítě, tj. části uložených znalostí. „Tam se váhy ze všech stanic shromažďují a optimalizují podle různých kritérií. Poté se vylepšená verze přehrává na místní stanice a proces se opakuje.“ Cílem je vyvinout nové, výkonnější algoritmy pro robustní použití umělé inteligence pro průmysl a logistiku při dodržení pokynů k ochraně dat.
Během projektu budou zřízeny celkem čtyři autonomní vychystávací stanice pro výcvik robotů: dvě v KIT Institute for Material Handling and Logistics (IFL) a dvě ve společnosti Festo SE se sídlem v Esslingen am Neckar.
Ve výzkumném projektu FLAIROP vyvíjíme nové způsoby, jak se roboti mohou navzájem učit bez sdílení citlivých dat a firemních tajemství. To přináší dvě hlavní výhody: chráníme data našich zákazníků a získáváme rychlost, protože roboti mohou rychleji převzít mnoho úkolů. Tímto způsobem mohou spolupracující roboti například podporovat výrobní pracovníky s opakujícími se, těžkými a únavnými úkoly, “říká Jan Seyler, vedoucí Advanced Development. Analytics and Control ve společnosti Festo SE & Co. KG.
„DarwinAI je nadšený, že poskytuje naši platformu Explainable (XAI) pro projekt FLAIROP, a je potěšen spoluprací s takovými kanadskými a německými akademickými organizacemi a naším průmyslovým partnerem, společností Festo. Máme kořeny v akademickém výzkumu, jsme nadšeni touto spoluprací a průmyslovými výhodami našeho nového přístupu pro řadu výrobních zákazníků, “říká Sheldon Fernandez, generální ředitel společnosti DarwinAI.
Využitím DarwinAI's Explainable AI (XAI) a federované učení můžeme umožnit vznik řešení, která pomáhají pracovníkům továrny při jejich každodenních výrobních úkolech maximalizovat efektivitu, produktivitu a bezpečnost, “říká Dr. Alexander Wong, spoluředitel výzkumné skupiny Vision and Image Processing Research Group, University of Waterloo a hlavní vědecký pracovník společnosti DarwinAI.
