Dari Kecerdasan Digital ke Tindakan Fisik
AI Fisik berkembang melampaui demonstrasi laboratorium dan masuk ke lingkungan tempat robot harus berinteraksi langsung dengan mesin, komponen, peralatan, dan manusia. Agile Robots dan Franka Robotics baru-baru ini mendemonstrasikan transisi ini dalam dua acara di Eropa, menunjukkan bagaimana kecerdasan robot dapat menghubungkan otomasi industri dengan data pembelajaran robot.
Demonstrasi di Zurich dan Bremen menunjukkan perubahan yang lebih luas dalam rekayasa otomasi: nilai AI tidak lagi hanya ditentukan oleh seberapa baik suatu sistem memahami data. Semakin penting apakah kecerdasan tersebut dapat merasakan kondisi fisik, mengambil keputusan, dan melakukan tindakan yang presisi di dunia nyata.
Kontrol Gaya Membuat Perakitan Robot Lebih Adaptif
Di all about automation Zurich, Agile Robots mendemonstrasikan Diana 7 yang melakukan penyisipan kepala mesin dengan sensor torsi pada ketujuh sendinya. Alih-alih memperlakukan robot sebagai mekanisme sederhana yang dikendalikan berdasarkan posisi, sistem ini memantau gaya interaksi selama proses perakitan.
Perbedaan ini penting dalam aplikasi yang toleransi mekanis, variasi komponen, atau kesalahan pemosisian kecilnya dapat memengaruhi hasil. Umpan balik gaya memungkinkan robot merespons kondisi mekanis aktual dari perakitan, bukan sepenuhnya bergantung pada lintasan yang telah ditentukan sebelumnya.
Dari perspektif otomasi industri, hal ini merupakan arah penting bagi sistem robotik. Sensor semakin menjadi bagian dari loop kontrol, sehingga robot dapat menafsirkan kondisi kontak dan menyesuaikan perilakunya.
Thor 12 Menargetkan Operasi Pengelasan yang Fleksibel
Agile Robots juga memperkenalkan Thor 12 untuk aplikasi pengelasan robotik. Pendekatan pengajaran seret-dan-lepas serta kontrol low-code yang dimilikinya ditujukan untuk menyederhanakan pembuatan dan modifikasi jalur pengelasan.
Kemampuan menyesuaikan jalur untuk pengelasan sudut, vertikal, dan miring sangat relevan bagi lingkungan produksi yang sering mengalami perubahan produk. Kemampuan yang dilaporkan untuk menangani celah sekecil 1 mm juga menunjukkan bagaimana kontrol jalur dan adaptasi proses dapat memengaruhi kualitas pengelasan.
Menurut saya, signifikansi praktis sistem seperti Thor 12 bukan sekadar membuat pemrograman robot lebih mudah. Manfaat rekayasa yang lebih besar adalah berkurangnya upaya pemrograman ketika persyaratan produksi berubah. Hal ini dapat membuat otomasi robotik lebih sesuai untuk produksi dalam jumlah kecil dan proses manufaktur yang lebih bervariasi.
Data Pelatihan Robot Menjadi Bagian dari Tumpukan Otomasi
Demonstrasi di Bremen menampilkan bagian lain dari persamaan AI Fisik. Franka Robotics menggunakan Franka GELLO Duo untuk mengoperasikan FR3 Duo dari jarak jauh, sementara LABS merekam demonstrasi tersebut sebagai data pelatihan terstruktur untuk manipulasi bimanual.
Pendekatan ini mengubah hubungan antara operator manusia dan pemrograman robot. Alih-alih mendefinisikan setiap gerakan robot secara manual melalui metode pemrograman konvensional, demonstrasi manusia dapat menyediakan contoh yang digunakan untuk mengembangkan perilaku robotik yang cerdas.
Bagi pengembang AI, elemen pentingnya adalah alur kerja pembuatan data. Teleoperasi menyediakan cara untuk merekam perilaku manipulasi manusia, sementara platform robotik menyediakan lingkungan eksekusi fisik beserta data terkait.
Manipulasi Bimanual Membutuhkan Lebih dari Sekadar Perencanaan Gerak
Robotika bimanual menimbulkan persyaratan kontrol tambahan karena dua lengan robot harus mengoordinasikan gerakan, gaya, dan interaksinya dengan objek yang dimanipulasi.
Oleh karena itu, data pelatihan perlu merepresentasikan lebih dari sekadar posisi setiap sendi. Demonstrasi dapat memuat informasi mengenai gerakan terkoordinasi dan interaksi fisik yang sulit direproduksi melalui rangkaian skrip sederhana.
Di sinilah AI Fisik berbeda dari pemrograman robot industri konvensional. Otomasi tradisional umumnya dimulai dari tugas yang telah ditentukan dan logika yang direkayasa secara eksplisit. Sebaliknya, pendekatan pembelajaran robot dapat menggunakan demonstrasi sebagai bagian dari proses pengembangan perilaku khusus untuk tugas tertentu.
Hubungan antara AI dan Otomasi Industri
Demonstrasi di Zurich dan Bremen membahas tahap yang berbeda dalam rantai teknis yang sama. Diana 7 dan Thor 12 berfokus pada eksekusi fisik dalam aplikasi industri, sementara teleoperasi dan alur kerja perekaman data Franka membahas bagaimana kecerdasan robot dapat dilatih.
Hubungan antara bidang-bidang ini sangat penting. Robot yang mampu merasakan lingkungannya tetap membutuhkan strategi kontrol yang sesuai, sementara model AI yang dilatih menggunakan demonstrasi pada akhirnya membutuhkan platform fisik yang mampu menjalankan keputusannya.
Bagi insinyur otomasi industri, hal ini menunjukkan bahwa arsitektur robotik masa depan akan semakin menggabungkan sensor, kontrol gerak, inferensi AI, akuisisi data, dan teknologi otomasi konvensional, alih-alih memperlakukannya sebagai sistem yang terpisah.
Mengapa AI Fisik Penting bagi Produsen
Produsen menghadapi persyaratan produksi yang semakin bervariasi, siklus hidup produk yang lebih singkat, serta tekanan untuk mengotomatisasi tugas-tugas yang sebelumnya sulit distandardisasi. Program robot tetap sangat efektif untuk proses berulang, tetapi keterbatasannya semakin terlihat ketika lingkungan atau produk sering berubah.
AI Fisik menawarkan pendekatan lain dengan memungkinkan robot menggabungkan umpan balik sensor, demonstrasi, dan perilaku yang dipelajari ke dalam operasinya.
Namun, AI tidak boleh dipandang sebagai pengganti rekayasa otomasi yang telah mapan. Fungsi keselamatan, kontrol deterministik, arsitektur kelistrikan, batas gerak, jaringan industri, dan validasi proses tetap menjadi hal mendasar. Sistem yang paling praktis kemungkinan akan menggabungkan pengambilan keputusan berbasis AI dengan lapisan kontrol dan keselamatan yang telah mapan.
Dari Demonstrasi ke Sistem yang Siap Diterapkan
Aspek paling menarik dari demonstrasi terbaru Agile Robots adalah hubungan antara pengembangan dan penerapan. Data pelatihan robot, kontrol cerdas, sensor gaya, pemrograman yang disederhanakan, dan eksekusi fisik semakin menjadi komponen dari satu arsitektur otomasi yang lebih luas.
Tantangan rekayasa berikutnya adalah skalabilitas. Demonstrasi yang berhasil hanyalah permulaan. Penerapan industri membutuhkan kinerja yang dapat diulang, waktu siklus yang dapat diprediksi, integrasi dengan sistem PLC dan manufaktur yang ada, validasi keselamatan, kemudahan pemeliharaan, serta manfaat produksi yang terukur.
Karena itu, AI Fisik harus membuktikan dirinya bukan hanya sebagai teknologi AI, tetapi juga sebagai teknologi kontrol industri.
Perubahan dalam Cara Robot Direkayasa
Demonstrasi di Swiss dan Jerman menunjukkan bahwa robotika industri bergerak menuju model yang lebih adaptif. Robot semakin diharapkan mampu memahami kondisi fisik, belajar dari demonstrasi, dan mengubah tindakannya, bukan sekadar mengulangi lintasan yang telah ditentukan sebelumnya.
Menurut saya, peluang terbesar terletak pada penggabungan kemampuan-kemampuan ini dengan otomasi industri konvensional, bukan menggantikannya. PLC, pengontrol gerak, sistem keselamatan, sensor, jaringan industri, dan platform robotik dapat menyediakan fondasi deterministik, sementara AI Fisik dapat menambahkan tingkat pengambilan keputusan yang adaptif.
Hasilnya dapat berupa generasi baru sistem otomasi yang robotnya bukan sekadar mesin terprogram, melainkan sistem komputasi fisik yang mampu merasakan, belajar, dan bertindak dalam lingkungan produksi nyata.
