https://www.youtube.com/watch?v=3VB6NODB-QU
Pramoninių robotų programavimas yra daug darbo reikalaujantis procesas, kuris dažnai priklauso nuo dėstytojų pakabučių, neprisijungusių priemonių ir bandymų bei klaidų. Kelių robotų koordinavimas bendrose vietose padidina dar labiau sudėtingumą, todėl susidūrimai ir neveiksmingumas tampa tikėtini. Visame pasaulyje naudojami daugiau nei 4,3 mln. Pramoninių robotų, programavimui reikalingas laikas išlieka pagrindinė kliūtis mastelio keitimui.
Neseniai paskelbtas tyrimas Mokslo robotika siūlo naują kryptį. Straipsnyje „RoboBallet: planavimas, skirtas daugialypiam robotui, pasiekiančiam su grafinių nervų tinklais ir pastiprinimo mokymuisi“, išsamių tyrimų, kuriuos atliko „Google Deepmind“ robotika, vidinė ir universiteto koledžo Londonas. Komanda sukūrė AI modelį, kuriame naudojamas sustiprinimo mokymosi ir grafiko nervų tinklai (GNN), kad būtų sudarytos kelių robotų judesio planai be susidūrimo planų bendrose darbo vietose. Šiame puslapyje galite žiūrėti sistemą, veikiančią vaizdo įraše.
Problema, kurią tyrėjai išsprendė, nėra nauja. Klasikiniai judesių planavimo algoritmai gali sukurti patikimus kelius atskiriems robotams. Tačiau keitimas šiais metodais keliems robotams, veikiantiems sandariuose ketvirčiuose, tampa sudėtinga. Inžinieriai dažnai praleidžia daug laiko parametrų nustatymo algoritmus arba rankiniu būdu koreguoja trajektorijas, kad išvengtų konfliktų. Naujojo PG metodui siekiama automatizuoti didelę šio proceso dalį.
„Intrinsic“ yra palyginti naujas žaidėjas pramoninės robotikos erdvėje. 2021 m. Bendrovė išsiskyrė iš abėcėlės X „Moonshot Factory“, siekdama palengvinti pramoninių robotų naudojimą, programą ir mastą. Nuo to laiko ji išsiplėtė tiek per vidinius mokslinius tyrimus ir plėtrą, tiek įsigijimus. 2022 m. „Intrisic“ įsigijo atvirojo kodo robotikos korpusą (OSRC). Tai yra atvirojo kodo robotikos fondo pelno siekianti ranka, kuri yra robotų operacinės sistemos (ROS) organizacija.
Metodo esmė yra NNN, išmokytas per stiprinimo mokymąsi milijonais sintetiniu būdu sugeneruotų scenarijų. Šioje sistemoje robotai, užduotys ir kliūtys vaizduojami kaip mazgai grafike, o kraštai apibūdina jų ryšius. Tyrėjai teigė, kad modelis išmoksta planuoti trajektorijas pagal bandymus ir klaidas, galiausiai kuria apibendrintas strategijas, kurias galima pritaikyti naujiems, nematytoms išdėstymams. Išmokęs „Intrinsic“ teigė, kad sistema reikalauja tik CAD failų ir aukšto lygio užduočių aprašymų, kad būtų galima sukurti judesio planus be rankinio kodavimo, mokyti pakabučių ar suderinti.
Laboratoriniuose vertinimuose modelis sukūrė judesio planus iki aštuonių robotų, dažnai sukuriant beveik optimalius sprendimus per kelias sekundes. Remiantis „Intrainsic“, AI pagrįstas metodas parodė, kad trajektorijos kokybė pagerėjo, palyginti su tradiciniais metodais, kartu parodė stiprų mastelį. Pavyzdžiui, kai juda nuo keturių iki aštuonių robotų, užduočių vykdymo laikas sumažėjo vidutiniškai 60%. „Intrainsic“ teigė, kad tai rodo, kad efektyvumas gali padidėti atsižvelgiant į sistemos sudėtingumą, o ne skaidyti.
Gebėjimas tvarkyti „užduočių paketus“ be išsamių žingsnių po žingsnio instrukcijų verčia sistemą. Atsižvelgiant į tikslų rinkinį, kūrėjai teigė, kad modelis automatiškai nustato veiksmų seką ir atitinkamas trajektorijas be susidūrimo. Remiantis „Google Deepmind“ ir „Intinsic“, jis taip pat gali prisitaikyti prie naujų scenarijų, koduojančių ryšius tarp subjektų darbo ląste, jis taip pat gali prisitaikyti prie naujų scenarijų.
„RoboBallet“ komanda teigė, kad AI-skatinamas planavimas gali sutrumpinti programavimo laiką, pagerinti lankstumą ir įgalinti greitesnį pritaikymą prie besikeičiančių produktų dizaino ar netikėtų sutrikimų. Žvelgiant į ateitį, derinant šį požiūrį su AI įjungtu suvokimu krašte, robotai galėtų leisti robotus pakartoti skrendant reaguojant į dinaminius pokyčius, dar labiau sumažinti prastovą.
