Kodėl humanoidams reikia daugiau nei robotikos techninės įrangos
Humanoidiniai robotai pereina nuo technologijų demonstracijų prie praktinio taikymo pramonėje. Gamintojams, ypač susiduriantiems su darbo jėgos trūkumu, didėjančiomis gamybos sąnaudomis ir vis sudėtingesniais gaminių variantais, jų patrauklumas akivaizdus: humanoidas potencialiai gali atlikti užduotis, pritaikytas esamoms žmonių darbo erdvėms, todėl nereikėtų kiekvieno gamybos proceso iš naujo projektuoti pagal įprastą robotą.
Tačiau pramoninė humanoido vertė priklausys ne vien nuo jo mechaninių galimybių. Svarbesnis klausimas – kaip greitai ir saugiai jis gali išmokti užduotį, prisitaikyti prie pokyčių ir veikti esamoje gamybos sistemoje.
Čia svarbūs tampa dirbtinis intelektas ir skaitmeniniai dvyniai. Mano nuomone, tikrasis pramonės proveržis įvyks ne tiesiog pastačius humanoidą gamyklos ceche. Jis įvyks sukūrus inžinerinę aplinką, kurioje robotą būtų galima išmokyti, išbandyti ir patvirtinti prieš jį fiziškai pradedant naudoti.
Nuo fizinio dirbtinio intelekto iki pramoninio intelekto
Gamykloje veikiantis humanoidas turi susidoroti su sąlygomis, kurios retai būna visiškai nuspėjamos. Dalys gali būti išdėstytos ne tiksliai taip, kaip tikėtasi, į tą pačią darbo erdvę gali patekti darbuotojų, medžiagos gali skirtis, o gamybos grafikai gali keistis.
Tradicinė automatizacija paprastai siekia pašalinti šį kintamumą deterministiniu programavimu. Humanoidams reikia kitokio požiūrio.
Fizinis dirbtinis intelektas sujungia regėjimą, suvokimą, jutiklių grįžtamąjį ryšį ir sprendimų priėmimą, kad robotas galėtų reaguoti į besikeičiančias sąlygas. Užuot vykdęs tik fiksuotą komandų seką, robotas gali interpretuoti aplinką ir pasirinkti tinkamą veiksmą.
Pramonės automatizacijos inžinieriams tai reiškia reikšmingą architektūros pokytį. Iššūkis jau neapsiriboja vien judesių valdymu. Jis taip pat apima suvokimą, sprendimų modelius, jutiklių duomenų sintezę, modeliavimo duomenis ir nuolatinį patvirtinimą.
Kodėl robotų mokymas negali priklausyti tik nuo gamyklos cecho
Humanoido mokymas tiesiogiai gamyboje yra brangus inžinerinis procesas. Kiekvienas fizinis bandymas sunaudoja gamybos laiką, kelia veiklos riziką ir reikalauja inžinerinių išteklių.
„Siemens“ skaičiuoja, kad humanoido mokymas gali trukti ilgiau nei dvi savaites. Be dirbtinio intelekto ir skaitmeninio dvynio technologijų mokymas galėtų gerokai užsitęsti, nes daugėja galimų veikimo sąlygų.
Be to, gamykla negali realistiškai suteikti visų galimų gedimų, komponentų padėčių, darbuotojų sąveikų ir aplinkos sąlygų derinių fiziniams bandymams.
Tai sukuria esminį apribojimą: fizinė gamykla yra vertinga vieta robotui patvirtinti, tačiau ji nebūtinai yra veiksmingiausia vieta jį mokyti.
Skaitmeniniai dvyniai sukuria virtualią mokymo aplinką
Skaitmeninis dvynys pakeičia šią situaciją, suteikdamas virtualų gamyklos, gamybos linijos, įrangos ir veiklos procesų atvaizdą.
Humanoidus galima mokyti ir vertinti pagal daugybę imituojamų situacijų dar prieš jiems patenkant į fizinę gamybos aplinką. Inžinieriai gali išbandyti skirtingas užduočių sekas, nustatyti gedimų sąlygas ir keisti darbo procesus nepertraukdami gamybos operacijų.
Privalumas yra ne vien greitesnis testavimas. Simuliacija keičia eksperimentavimo ekonomiką.
Fiziniam bandymui gali prireikti įrangos, inžinierių priežiūros ir gamybos prastovos. Virtualų bandymą galima kartoti daug dažniau, be to, jis gali parodyti robotui situacijas, kurias fiziškai atkurti būtų sudėtinga arba nesaugu.
Pramoninio diegimo atveju tai sukuria svarbų tarpinį sluoksnį tarp dirbtinio intelekto kūrimo ir veikimo realiame pasaulyje.
Dirbtinis intelektas ir simuliacija veikia geriau kartu
Vien dirbtinis intelektas neišsprendžia pramoninio diegimo problemos. Robotas gali gebėti mokytis iš patirties, tačiau pakankamos realaus pasaulio patirties kaupimas gali būti lėtas ir brangus.
Simuliacija suteikia mastą.
Dirbtinis intelektas gali naudoti imituojamas aplinkas, kad išmoktų reaguoti į skirtingas situacijas, o skaitmeninis dvynys suteikia virtualų veikimo kontekstą, kuriame šiuos sprendimus galima įvertinti. Taip susidarantis procesas labiau primena nenutrūkstamą inžinerijos ciklą:
imituoti -> mokyti -> vertinti -> nustatyti gedimą -> tobulinti -> patvirtinti -> diegti
Šis metodas taip pat suteikia galimybę humanoidą paveikti tūkstančiais virtualių scenarijų, užuot pasikliovus palyginti nedideliu skaičiumi fizinių bandymų.
Mano nuomone, tai vienas svarbiausių skirtumų tarp įprasto robotų programavimo ir fizinio dirbtinio intelekto. Įprasta automatika daugiausia dėmesio skiria tam, ką mašina turėtų daryti. Fizinis dirbtinis intelektas vis daugiau dėmesio skiria mokymui, kaip mašina turėtų reaguoti, kai sąlygos nėra visiškai tokios, kokių tikėtasi.
Pietryčių Azija yra praktiškas bandymo atvejis
Pietryčių Azija šiai raidai ypač svarbi, nes regione derinamos didelės investicijos į gamybą ir didėjantis spaudimas dėl darbo jėgos prieinamumo, gamybos efektyvumo bei gamybos lankstumo.
Singapūro planuojama fizinio dirbtinio intelekto bandymų aikštelė Punggol Digital District yra pavyzdys, kaip autonominės sistemos gali būti vertinamos veikiančioje mišrios paskirties aplinkoje, o ne tik laboratorinėse demonstracijose.
Tuo pat metu didėjančios investicijos į elektronikos, puslaidininkių ir automobilių gamybą didina lanksčių automatizavimo sistemų, galinčių prisitaikyti prie trumpesnių gamybos ciklų ir didesnės gaminių įvairovės, poreikį.
Dėl šios aplinkos Pietryčių Azija gali tapti svarbia pramoninių humanoidinių robotų bandymų vieta.
Humanoidiniai robotai nepakeis kiekvieno pramoninio roboto
Svarbu nelaikyti humanoidinių robotų universaliu esamos automatizacijos pakaitalu.
Specializuotas pramoninis robotas dažnai geriau tinka pasikartojančiai užduočiai, kai judesiai griežtai kontroliuojami, ciklai trumpi, o įrankiai nuspėjami. Humanoidinis robotas tampa įdomesnis, kai aplinka sukurta atsižvelgiant į žmones darbuotojus ir kai užduotys keičiasi taip dažnai, kad fiksuotą automatizavimą sunku pagrįsti.
Šis skirtumas svarbus.
Tikėtina pramonės ateitis – ne gamykla, užpildyta vien humanoidiniais robotais. Tai hibridinė aplinka, kurioje veikia PLC, pramoniniai robotai, autonominiai mobilieji robotai, regos sistemos, įprastinė įranga ir humanoidiniai robotai, visi sujungti per vis išmanesnes programinės įrangos architektūras.
Tikrasis inžinerinis iššūkis – integracija
Sėkmingam humanoidinio roboto diegimui reikia daugiau nei roboto intelekto. Reikia integracijos su esama automatizavimo sistema.
Robotas turi sąveikauti su gamybos įranga, gamybos vykdymo sistemomis, saugos sistemomis, logistikos procesais ir žmonėmis operatoriais. Jo veiksmai taip pat turi atitikti gamyklos veiklos apribojimus.
Todėl skaitmeniniai dvyniai yra ypač vertingi. Jie suteikia bendrą inžinerinę aplinką, kurioje mechaninis elgesys, gamybos procesai, roboto veiksmai ir gamyklos sąlygos gali būti vertinami kartu.
Todėl klausimas keičiamas iš „Ar humanoidinis robotas gali atlikti šią užduotį?“ į „Ar humanoidinis robotas gali saugiai ir nuosekliai atlikti šią užduotį visoje gamybos sistemoje?“
Tai daug prasmingesnis pramonės klausimas.
Validavimas taps toks pat svarbus kaip mokymas
AI tampant vis pajėgesniam, validavimas taps vis svarbesne pramoninės robotikos inžinerijos dalimi.
Iš duomenų besimokantis humanoidas gali susidurti su situacijomis, kurių inžinierius nebuvo aiškiai suprogramavęs. Todėl gamintojams reikia mechanizmų, leidžiančių įvertinti, ar roboto sprendimai tebepatenka į priimtinas veiklos ribas.
Skaitmeniniai dvyniai gali padėti, nes suteikia pasikartojančias aplinkas ribiniams atvejams ir nenormalioms sąlygoms išbandyti.
Tačiau saugai svarbiose operacijose simuliacija neturėtų būti laikoma fizinio patvirtinimo pakaitalu. Jos turėtų viena kitą papildyti. Virtualusis testavimas gali sumažinti fizinių bandymų skaičių ir padėti anksčiau nustatyti problemas, o fizinis paleidimas patvirtina faktinį sistemos elgesį.
Nuo paleidimo iki nuolatinio optimizavimo
Tradiciniai automatizavimo projektai dažnai turi aiškų paleidimo etapą, po kurio veikla tampa gana stabili. Dirbtiniu intelektu grindžiama robotika įveda nuolatinio tobulinimo modelį.
Įdiegus humanoidą, veiklos duomenys gali atskleisti naujas sąlygas ir gedimų scenarijus. Šie stebėjimai gali būti įtraukti į simuliacijos ir mokymo aplinkas, kad roboto elgesys būtų patobulintas prieš grąžinant atnaujintus modelius į gamybą.
Tai sukuria grįžtamąjį ryšį tarp fizinės gamyklos ir jos skaitmeninės atitikties.
Gamintojams tai galiausiai gali paversti robotų diegimą procesu, labiau primenančiu ne užbaigtos mašinos įrengimą, o nuolat tobulėjančios pramoninės programinės sistemos priežiūrą.
Ateities gamykla bus ir fizinė, ir virtuali
Todėl humanoidinių robotų atsiradimas nėra tiesiog dar vienas pramoninės robotikos skyrius. Tai platesnio posūkio į programine įranga apibrėžiamą ir dirbtiniu intelektu papildytą gamybą dalis.
Fizinė gamykla tebėra vieta, kurioje gaminami produktai, tačiau vis daugiau inžinerinio darbo gali būti atliekama jos virtualioje atitiktyje. Robotų mokymas, gamybos patvirtinimas, darbo procesų optimizavimas ir gedimų analizė vis dažniau gali vykti prieš įdiegiant pakeitimus realioje sistemoje.
Pietryčių Azijos gamintojams ši galimybė gali pasirodyti vertingesnė už patį humanoidą.
Ilgalaikis konkurencinis pranašumas atsiras kuriant infrastruktūrą, leidžiančią dirbtiniu intelektu aprūpintoms mašinoms greičiau mokytis, veikti laikantis nustatytų inžinerinių apribojimų ir nuolat tobulėti pakartotinai nesutrikdant gamybos.
Humanoidai gali sulaukti daugiausia dėmesio, tačiau dirbtinis intelektas, simuliacija ir skaitmeniniai dvyniai lems, ar jie taps iš tiesų naudingais pramonės įrenginiais.
