از هوش دیجیتال تا اقدام فیزیکی
هوش مصنوعی فیزیکی از نمایشهای آزمایشگاهی فراتر رفته و وارد محیطهایی میشود که رباتها باید مستقیماً با ماشینآلات، قطعات، ابزارها و افراد تعامل داشته باشند. Agile Robots و Franka Robotics اخیراً این گذار را در دو رویداد اروپایی به نمایش گذاشتند و نشان دادند که چگونه هوش رباتیک میتواند اتوماسیون صنعتی را به دادههای یادگیری ربات متصل کند.
نمایشهای زوریخ و برمن به تغییر گستردهتری در مهندسی اتوماسیون اشاره دارند: ارزش هوش مصنوعی دیگر فقط با میزان توانایی یک سیستم در درک دادهها تعیین نمیشود. این ارزش بیش از پیش به این بستگی دارد که آیا آن هوش میتواند شرایط فیزیکی را حس کند، تصمیم بگیرد و در دنیای واقعی اقدامات دقیقی انجام دهد یا نه.
کنترل نیرو، مونتاژ رباتیک را سازگارتر میکند
در رویداد All About Automation زوریخ، Agile Robots ربات Diana 7 را در حال انجام عملیات جاگذاری سر موتور با حسگری گشتاور در هر هفت مفصل به نمایش گذاشت. این سیستم بهجای آنکه ربات را صرفاً سازوکاری با کنترل موقعیت در نظر بگیرد، نیروهای واردشده در حین فرایند مونتاژ را پایش میکند.
این تفاوت در کاربردهایی اهمیت دارد که تلرانسهای مکانیکی، تغییرات قطعات یا خطاهای کوچک در موقعیتیابی میتوانند بر نتیجه اثر بگذارند. بازخورد نیرو به ربات اجازه میدهد به وضعیت واقعی مکانیکی مونتاژ واکنش نشان دهد، نه اینکه کاملاً به یک مسیر ازپیشتعریفشده متکی باشد.
از دیدگاه اتوماسیون صنعتی، این موضوع جهتگیری مهمی برای سامانههای رباتیک به شمار میرود. حسگرها در حال تبدیلشدن به بخشی از حلقه کنترل هستند و به رباتها امکان میدهند شرایط تماس را تفسیر کرده و رفتار خود را متناسب با آن تنظیم کنند.
Thor 12 برای عملیات جوشکاری انعطافپذیر
Agile Robots همچنین Thor 12 را برای کاربردهای جوشکاری رباتیک ارائه کرد. روش آموزش کشیدن و رهاکردن و رویکرد کنترل کمکد آن با هدف سادهسازی ایجاد و اصلاح مسیرهای جوشکاری طراحی شده است.
قابلیت تنظیم مسیرها برای جوشهای گوشهای، عمودی و مایل، بهویژه برای محیطهای تولیدی با تغییرات مکرر محصول اهمیت دارد. قابلیت اعلامشده برای مدیریت شکافهایی به باریکی ۱ میلیمتر نیز نشان میدهد که کنترل مسیر و سازگاری فرایند چگونه میتوانند بر کیفیت جوشکاری اثر بگذارند.
از دیدگاه من، اهمیت عملی سامانههایی مانند Thor 12 فقط در این نیست که برنامهنویسی ربات را آسانتر میکنند. مزیت مهندسی بزرگتر، کاهش تلاش برنامهنویسی هنگام تغییر الزامات تولید است. این امر میتواند اتوماسیون رباتیک را برای دستههای تولید کوچکتر و فرایندهای ساخت متنوعتر کاربردیتر کند.
دادههای آموزش ربات به بخشی از پشته اتوماسیون تبدیل میشوند
نمایش برمن بخش متفاوتی از معادله هوش مصنوعی فیزیکی را ارائه کرد. Franka Robotics با استفاده از Franka GELLO Duo، ربات FR3 Duo را از راه دور هدایت کرد و LABS نیز این نمایشها را بهعنوان دادههای آموزشی ساختاریافته برای دستکاری دومینویی ثبت کرد.
این رویکرد رابطه میان اپراتورهای انسانی و برنامهنویسی ربات را تغییر میدهد. بهجای تعریف دستی تکتک حرکات ربات با روشهای مرسوم برنامهنویسی، نمایشهای انسانی میتوانند نمونههایی فراهم کنند که از طریق آنها رفتارهای هوشمند رباتیک توسعه یابند.
برای توسعهدهندگان هوش مصنوعی، عنصر مهم، گردش کار تولید داده است. هدایت از راه دور روشی برای ثبت رفتار دستکاری انسانی فراهم میکند، درحالیکه پلتفرم رباتیک محیط اجرای فیزیکی و دادههای مرتبط را در اختیار میگذارد.
دستکاری دومینویی به چیزی فراتر از برنامهریزی حرکت نیاز دارد
رباتیک دومینویی به الزامات کنترلی بیشتری نیاز دارد، زیرا دو بازوی رباتیک باید حرکات، نیروها و تعامل خود با شیء در حال دستکاری را هماهنگ کنند.
بنابراین دادههای آموزشی باید چیزی فراتر از موقعیت تکتک مفصلها را نمایش دهند. نمایشها میتوانند اطلاعاتی درباره حرکت هماهنگ و تعامل فیزیکی در خود داشته باشند که بازتولید آنها از طریق توالیهای اسکریپتشده ساده دشوار است.
تفاوت هوش مصنوعی فیزیکی با برنامهنویسی مرسوم رباتهای صنعتی در همینجا آشکار میشود. اتوماسیون سنتی معمولاً با یک وظیفه تعریفشده و منطق مهندسیشده صریح آغاز میشود. در مقابل، رویکردهای یادگیری ربات میتوانند از نمایشها بهعنوان بخشی از فرایند توسعه رفتار ویژه هر وظیفه استفاده کنند.
ارتباط میان هوش مصنوعی و اتوماسیون صنعتی
نمایشهای زوریخ و برمن به مراحل متفاوتی از یک زنجیره فنی واحد میپردازند. Diana 7 و Thor 12 بر اجرای فیزیکی در کاربردهای صنعتی تمرکز دارند، درحالیکه هدایت از راه دور و گردش کار ثبت داده در Franka به چگونگی آموزش هوش رباتیک میپردازد.
ارتباط میان این حوزهها اهمیت زیادی دارد. رباتی که توانایی حسکردن محیط خود را دارد، همچنان به راهبردهای کنترلی مناسب نیازمند است؛ از سوی دیگر، مدل هوش مصنوعی آموزشدیده با نمایشها در نهایت به یک پلتفرم فیزیکی نیاز دارد که بتواند تصمیمهای آن را اجرا کند.
برای مهندسان اتوماسیون صنعتی، این موضوع نشان میدهد که معماریهای رباتیک آینده بیش از پیش حسگری، کنترل حرکت، استنتاج هوش مصنوعی، گردآوری داده و فناوریهای مرسوم اتوماسیون را با یکدیگر ترکیب خواهند کرد، نه اینکه آنها را سامانههایی جدا از هم در نظر بگیرند.
چرا هوش مصنوعی فیزیکی برای تولیدکنندگان اهمیت دارد
تولیدکنندگان با الزامات متغیرتر تولید، چرخههای عمر کوتاهتر محصولات و فشار برای خودکارسازی وظایفی روبهرو هستند که پیشتر استانداردسازی آنها دشوار بود. برنامههای ثابت ربات همچنان برای فرایندهای تکراری بسیار مؤثرند، اما محدودیتهایشان زمانی آشکارتر میشود که محیط یا محصول مرتباً تغییر کند.
هوش مصنوعی فیزیکی رویکرد دیگری ارائه میدهد و به رباتها اجازه میدهد بازخورد حسگرها، نمایشها و رفتارهای یادگرفتهشده را در عملکرد خود به کار گیرند.
بااینحال، نباید هوش مصنوعی را جایگزین مهندسی تثبیتشده اتوماسیون دانست. عملکردهای ایمنی، کنترل قطعی، معماری الکتریکی، محدودیتهای حرکت، شبکههای صنعتی و اعتبارسنجی فرایند همچنان بنیادی هستند. کاربردیترین سامانهها احتمالاً تصمیمگیری مبتنی بر هوش مصنوعی را با لایههای تثبیتشده کنترل و ایمنی ترکیب خواهند کرد.
از نمایشها تا سامانههای قابل استقرار
جالبترین جنبه نمایشهای اخیر Agile Robots، ارتباط میان توسعه و استقرار است. دادههای آموزش ربات، کنترل هوشمند، حسگری نیرو، برنامهنویسی سادهشده و اجرای فیزیکی، بیش از پیش به اجزای یک معماری گستردهتر اتوماسیون تبدیل میشوند.
چالش مهندسی بعدی، مقیاسپذیری است. یک نمایش موفق تنها نقطه آغاز است. استقرار صنعتی به عملکرد تکرارپذیر، زمان چرخه قابل پیشبینی، یکپارچهسازی با سامانههای موجود PLC و تولید، اعتبارسنجی ایمنی، قابلیت نگهداری و مزایای قابلاندازهگیری تولید نیاز دارد.
بنابراین هوش مصنوعی فیزیکی باید نهتنها بهعنوان یک فناوری هوش مصنوعی، بلکه بهعنوان یک فناوری کنترل صنعتی نیز خود را اثبات کند.
تغییر در شیوه مهندسی رباتها
نمایشهای سوئیس و آلمان نشان میدهند که رباتیک صنعتی بهسوی مدلی سازگارتر حرکت میکند. بیش از پیش از رباتها انتظار میرود شرایط فیزیکی را درک کنند، از نمایشها بیاموزند و اقدامات خود را تغییر دهند، نه اینکه صرفاً مسیرهای ازپیشتعریفشده را تکرار کنند.
از دیدگاه من، بزرگترین فرصت در ترکیب این قابلیتها با اتوماسیون صنعتی مرسوم، نه جایگزینکردن آن، نهفته است. PLCها، کنترلکنندههای حرکت، سامانههای ایمنی، حسگرها، شبکههای صنعتی و پلتفرمهای رباتیک میتوانند پایهای قطعی فراهم کنند، درحالیکه هوش مصنوعی فیزیکی لایه بالاتری از تصمیمگیری سازگار را به آن میافزاید.
نتیجه میتواند نسل جدیدی از سامانههای اتوماسیون باشد که در آنها رباتها دیگر صرفاً ماشینهایی برنامهریزیشده نیستند، بلکه سامانههای محاسباتی فیزیکی هستند که میتوانند در محیطهای واقعی تولید حس کنند، بیاموزند و عمل کنند.
