Proiectul internațional de cercetare FLAIROP finalizat cu succes - partenerii proiectului de la stânga la dreapta: Kai Sandmann (Reprezentant Ministerul Federal al Economiei și Protecției Mediului), Maximilian Brock (DLR), Daniel Brauchle (Dezvoltare avansată inteligență artificială, Festo), Florian Leiser (Echipa de proiect KIT), Jan Seyler (Leiter Dezvoltare avansată analiză și control, Festo), Sascha Rank (Manager de proiect KIT), Maximilian Gilles (Manager de proiect KIT). © Festo SE & Co. KG
Noile tehnologii legate de inteligența artificială îmbunătățesc procesul de picking realizat de roboți
Proiectul de cercetare FLAIROP (Federated Learning for Robot Picking), care a fost sponsorizat de Ministerul Federal German pentru Afaceri Economice și Acțiune Climatică, s-a încheiat la sediul Festo, în Esslingen-Berkheim. În cadrul evenimentului, toți participanții la proiect – precum și publicul interesat – au fost prezenți la fața locului sau și-au prezentat rezultatele în direct din Canada.
În ultimii doi ani, Festo a efectuat cercetări în cooperare cu „Karlsruher Institut für Technologie" (KIT) și cu parteneri din Canada (Universitatea din Waterloo, Darwin AI) pentru a face roboții de colectare mai inteligenți, folosind tehnologii și metode de inteligență artificială distribuită. Pentru a face acest lucru, partenerii au investigat modul în care roboții pot învăța unii de la alții fără a împărtăși datele de instruire. Această abordare - numită Federated Learning (învățare federată) - permite dezvoltarea unei inteligențe artificiale mai robuste și mai eficiente decât ar fi posibil cu date de la un singur robot - fără a distribui date sensibile ale companiei.
„Suntem mândri că am reușit să demonstrăm că roboții pot învăța unii de la alții fără a împărtăși date sensibile și secrete de companie. Acest lucru protejează datele clienților noștri și, de asemenea, câștigăm viteză, deoarece roboții pot prelua mai repede diverse sarcini în acest fel. De exemplu, roboții colaborativi îi pot ajuta pe lucrătorii din producție cu sarcini repetitive, grele și obositoare", spune Jan Seyler, șeful departamentului de dezvoltare avansată Analytics and Control.
„Am dezvoltat un set de date universal, bazat pe simulare, pe care îl putem folosi pentru a antrena roboții autonomi de prindere în așa fel încât aceștia să fie capabili să prindă în mod fiabil obiecte pe care nu le-au văzut înainte", explică Maximilian Gilles de la KIT. În viitor, sistemul de învățare federată va fi dezvoltat în continuare, astfel încât platforma să permită diferitelor companii să antreneze împreună sisteme de roboți fără a fi nevoite să facă schimb de date între ele. Acest lucru poate crește gradul de acceptare a acestor sisteme în practică.
Federated Learning revoluționează procesele de picking cu roboți
Federated Learning este o tehnică de învățare automată pentru a crea aplicații de inteligență artificială care să păstreze confidențialitatea. În loc de a trimite datele de instruire ale brațelor robotizate din celulele de colectare către un server central pentru a instrui modelul acolo, instruirea are loc în mai multe locații diferite. Modelele instruite la nivel local sunt apoi trimise la serverul central de învățare automată, astfel încât datele de instruire sensibile să nu părăsească furnizorul de date. Cu toate acestea, Federated Learning permite învățarea în toate silozurile de date prin agregarea modelelor distribuite și, în cele din urmă, permite o predicție foarte precisă și bazată pe date a recunoașterii obiectelor și a detectării punctelor de prindere.
Brațele robotizate din celulele de preluare sunt echipate cu camere de luat vederi pentru a detecta vizual articolele din fața lor. Pe baza imaginii camerei, brațele robotizate recunosc automat diferitele articole și selectează o metodă de prindere adecvată. Din cauza varietății articolelor dintr-un depozit, aceasta este o sarcină complicată și sunt necesare cantități mari de date pentru a obține rezultate rezonabile. Crearea unor cantități atât de mari de date necesită mult timp. Cu ajutorul datelor colectate de la celulele de preluare din diferite organizații, a fost posibilă îmbunătățirea detectării punctelor de prindere ale celulelor.
În timpul proiectului, au fost înființate în total cinci stații de preluare autonome pentru antrenarea roboților: Două la KIT Institute for Materials Handling and Logistics Systems (IFL) și trei la Festo SE & Co. KG cu sediul în Esslingen am Neckar.
Finalizarea proiectului: Acum este timpul pentru practică
La evenimentul final din august 2023, Festo s-a concentrat pe capacitatea de utilizare a rezultatelor.
Jan Seyler menționează: „Arătăm în ce produse Festo poate fi încorporat. Rezultatele cercetării vor fi acum publicate și vor putea fi utilizate în mod liber de toate părțile interesate în cadrul unor proiecte pilot inițiale."
