W kierunku przyszłości robotyki AVR

Craig McDonnell z ABB Robotics opowiada Logistics Business, dlaczego nowa technologia wspierana przez sztuczną inteligencję firmy jest kolejnym wielkim przełomem – Autonomiczne Wszechstronne Roboty (AVR).

ABB Robotics nie jest nowicjuszem. Szwajcarski globalny koncern energetyczny i automatyzacyjny ma długą i złotą historię w robotyce. „ABB faktycznie wynalazło nowoczesnego, sterowanego komputerowo, elektrycznego robota, 51 lat temu,” mówi Craig McDonnell, Dyrektor Zarządzający Linią Biznesową Przemysły. „Byliśmy na czele drogi rozwoju robotyki, a nasz ślad jest globalny.”

<p Oficjalne liczby potwierdzają jego słowa. Dywizja ABB Robotics zatrudnia około 7000 pracowników. Z przychodami na poziomie 2,3 miliarda dolarów w 2024 roku stanowiła około 7 procent całej Grupy ABB. To czyni ją jednym z najważniejszych graczy na światowym rynku robotyki.

Portfolio jest kompleksowe. „Posiadamy najszerszy zakres robotów na rynku,” wyjaśnia McDonnell. „Strona mechatroniczna obejmuje bardzo małe roboty, zazwyczaj używane w zastosowaniach elektronicznych, aż po duże roboty, które mogą przenosić 800 kg ładunków i manipulować nimi. Ostatnio opracowaliśmy także roboty współpracujące z pełną funkcjonalnością, a także inne kombinacje robotów mobilnych, łącząc manipulator z mobilnością.”

Ta historia i szerokość oferty oznaczają, że gdy ABB kieruje się ku innowacjom, świat zwraca uwagę. Wizja firmy – która już materializuje się w fizycznej formie na halach magazynowych w Europie – to Autonomiczne Wszechstronne Roboty (AVR), w których generatywna sztuczna inteligencja odgrywa kluczową rolę.

„AVR opiera się na dziedzictwie i fundamentach naszych tradycyjnych USP,” mówi. „Jesteśmy znani z precyzji ścieżek naszych robotów oraz jakości i długości ich żywotności. Mamy silną reputację niezawodności naszych produktów.”

Autonomiczne Wszechstronne Roboty

Więc, czym jest AVR? W oficjalnym opisie firmy roboty będą „wykraczać poza ustalone procedury i powtarzalne zadania – w nową erę, w której planują, adaptują się i wykonują złożone prace w czasie rzeczywistym, łącząc wizję, precyzję, szybkość, zręczność i mobilność – wszystko napędzane przez generatywną sztuczną inteligencję.”

Pytanie brzmi, jak to osiągnąć. Po pierwsze, ABB wykorzystało potencjał swojego zestawu symulacyjnego RobotStudio®, będącego niezwykle precyzyjnym cyfrowym bliźniakiem do projektowania i sterowania robotami. „RobotStudio pozwala nam wejść w nowe obszary, a na tej podstawowej platformie zbudowaliśmy nasze podejście AVR,” wyjaśnia McDonnell.

Po drugie, zastosowanie AI. We wrześniu tego roku ABB Robotics ogłosiło inwestycję w kalifornijską firmę LandingAI, mającą przyspieszyć transformację wizji AI, czyniąc ją szybszą, bardziej intuicyjną i dostępną dla szerszego grona użytkowników. Współpraca, uznawana za pierwszą tego typu, zintegrowa możliwości wizji AI LandingAI, takie jak LandingLens, z własnym oprogramowaniem ABB Robotics, co stanowi kolejny kamień milowy na drodze ABB do prawdziwie autonomicznych i wszechstronnych robotów.

W istocie, platforma LandingLens od LandingAI umożliwia szybkie szkolenie systemów wizji AI do rozpoznawania i reagowania na obiekty, wzory lub defekty bez konieczności skomplikowanego programowania czy posiadania specjalistycznej wiedzy z zakresu AI. Bariera wejścia jest więc znacznie obniżona.

McDonnell opisuje tło rozwoju produktu jako serię wniosków i nauk.

„Tradycyjne, ustrukturyzowane środowisko dawało robotom z góry określony sposób działania,” wyjaśnia. „W ciągu ostatniej dekady sektor robotyki rozwinął się w nowe obszary, takie jak magazynowanie i logistyka, które są bardziej nieuporządkowane. Tak, nadal istnieje część bardzo ustrukturyzowana, ale często mamy do czynienia z sytuacjami wielorakich SKU lub szybkich zmian w obsługiwanych produktach. To zapotrzebowanie skłoniło nas do pracy nad sensingiem i percepcją robotów, a także powiązaniem tego z kontrolą ruchu, nawigacją i zręcznością robota, aby mógł obsługiwać te nieuporządkowane zastosowania.”

„Niedawno zaczęliśmy dodawać AI nie tylko do wizji, ale także do planowania ścieżek, programowania i rozpoznawania języka, aby umożliwić naszym robotom obsługę nieuporządkowanych środowisk i zrobić znaczący krok naprzód w łatwości użytkowania.”

Podsumowując, w prostych słowach, jeśli pracownik magazynu jednostronnie zdecyduje się na wyrzucenie nowej konfiguracji palet na środku hali, robot nie przestaje pracować, czekając na nowe polecenia; sam wymyśla własne rozwiązania.

„Tak, dokładnie tak,” zgadza się, „ale są też scenariusze bardziej ustrukturyzowane. Na przykład, jeśli obsługujesz produkty o dużej zmienności, które robot mógł wcześniej nie znać przed dotarciem do miejsca produktu – albo odwrotnie, nowy produkt dotarł do robota – ulepszone systemy wizji wspierane przez LandingAI pozwolą robotowi manipulować i obsługiwać produkt znacznie łatwiej i z mniejszym wysiłkiem niż wcześniej.”

W środowisku, gdzie czas i praca są cennymi i kosztownymi zasobami, to ma znaczenie.

„Tradycyjnie, taka rekonfiguracja zajmuje miesiące i wymaga wysokiego poziomu integracji,” dodaje. „Sekret tkwi w tym, że uproszczona i szybsza użyteczność pozwala nawet pracownikom na hali magazynowej obsługiwać te zmiany. Faktem jest, że jeśli nie osiągniemy wysokiego poziomu użyteczności, szerokie wdrożenie tej nowej technologii AI będzie wyzwaniem. I mocno wierzymy, że rozwiązaliśmy ten problem.”

Wdrażanie AI

Prosta użyteczność systemu i szybka konfiguracja to kluczowe czynniki adopcyjne, potwierdza. „Minęło ponad dziesięć lat od momentu, gdy zaczęliśmy wdrażać AI w zastosowaniach robotycznych w logistyce z dużym sukcesem – na przykład w sektorze odzieżowym, osiągając 99% niezawodności w zbieraniu. To prawdziwe postępy, ale do tej pory potrzebowalibyście inżyniera AI i eksperta, aby towarzyszył robotowi. Postęp polega na tym, by wyjść poza eksperyment naukowy i zastosować rozwiązanie przemysłowe, które można wdrożyć na dużą skalę i które jest łatwe do uruchomienia i dostosowania.”

„Z LandingLens, LandingAI opracowały bardzo przyjazny dla użytkownika sposób identyfikacji i charakteryzacji obiektu. Następnie możemy dodać naszą wiedzę o aplikacji i robotach wokół konkretnych zastosowań – nazywamy je ‘skórkami’ – tak aby produkt, który otrzymujesz, był w 80-90% gotowy do użycia, z wstępnie wytrenowanymi algorytmami i podejściami, a wszystko, co musisz zrobić, to może kilka zdjęć z telefonu komórkowego z określonym środowiskiem.”