AI-aangedreven robot magazijnpickers zijn nu klaar om aan het werk te gaan

Covariante medeoprichters werken aan hun robotarm. Elena Zhukova

In de zomer van 2018 kreeg een kleine robotica-startup in Berkeley een uitdaging. Knapp, een belangrijke leverancier van technologieën voor magazijnlogistiek, was op zoek naar een nieuwe AI-aangedreven robotarm die zoveel mogelijk soorten artikelen kon selecteren. Dus acht weken lang stuurde het de startup elke week een lijst met steeds moeilijker wordende items - ondoorzichtige dozen, transparante dozen, pillendoosjes, sokken - die een reeks producten van zijn klanten dekten. Het startup-team zou de items lokaal kopen en binnen een week een video terugsturen van hun robotarm die de items van de ene grijze bak naar de andere overbrengt.

Tegen het einde van de uitdaging waren leidinggevenden bij Knapp gevloerd. Ze hadden zes of zeven jaar lang veel startups uitgedaagd zonder succes en verwachtten deze keer hetzelfde resultaat. In plaats daarvan bracht de robotarm van de startup in elke video elk item met perfecte nauwkeurigheid en productieklare snelheid over.

Elke keer verwachtten we dat ze met het volgende product zouden falen, omdat het steeds lastiger werd, zegt Peter Puchwein, vice-president innovatie bij Knapp, dat zijn hoofdkantoor in Oostenrijk heeft. Maar het punt was dat ze erin slaagden, en alles werkte echt. We hebben deze kwaliteit van AI nog nooit eerder gezien.

KNAPP's Covariant-enabled robotarm in een live magazijnomgeving in Berlijn, Duitsland. Jannis Keil

Covariant is nu uit de stealth-modus gekomen en kondigt vandaag zijn samenwerking met Knapp aan. De algoritmen zijn al ingezet op Knapp's robots in twee magazijnen van Knapp's klanten. Eén, beheerd door de Duitse elektriciteitsleverancier Obeta, is volledig in productie sinds september. De medeoprichters zeggen dat Covariant ook dicht bij een nieuwe deal staat met een industriële robotica-gigant.

Het nieuws betekent een verandering in de staat van AI-gestuurde robotica. Dergelijke systemen waren vroeger beperkt tot zeer beperkte academische omgevingen. Maar nu zegt Covariant dat zijn systeem kan generaliseren naar de complexiteit van de echte wereld en klaar is om magazijnvloeren stormenderhand te veroveren.

Er zijn twee categorieën taken in magazijnen: dingen die benen vereisen, zoals het verplaatsen van dozen van de voorkant naar de achterkant van de ruimte, en dingen die handen vereisen, zoals het oppakken en op de juiste plaats zetten van items. Robots staan ​​al heel lang in magazijnen, maar hun succes bleef vooral beperkt tot het automatiseren van het vroegere type werk. Als je naar een modern magazijn kijkt, bewegen mensen eigenlijk zelden, zegt Peter Chen, medeoprichter en CEO van Covariant. Dingen verplaatsen tussen de vaste punten - dat is een probleem waar mechatronica echt geweldig voor is.

Een robotarm in het kantoor van Covariant Elena Zhukova

Maar het automatiseren van de bewegingen van handen vereist meer dan alleen de juiste hardware. De technologie moet zich snel aanpassen aan een breed scala aan productvormen en -afmetingen in steeds veranderende oriëntaties. Een traditionele robotarm kan worden geprogrammeerd om steeds weer dezelfde precieze bewegingen uit te voeren, maar hij zal falen op het moment dat hij een afwijking tegenkomt. Het heeft AI nodig om te zien en aan te passen, anders heeft het geen hoop om zijn veranderende omgeving bij te houden. Het is echt het behendigheidsgedeelte dat intelligentie vereist, zegt Chen.

In de afgelopen jaren hebben onderzoekslaboratoria ongelooflijke vooruitgang geboekt bij het combineren van AI en robotica om zo'n behendigheid te bereiken, maar ze in de echte wereld brengen was een heel ander verhaal. Labs kunnen wegkomen met een nauwkeurigheid van 60% of 70%; robots in productie kunnen dat niet. Zelfs met een betrouwbaarheid van 90% zou een robotarm een ​​waardeverlies zijn, zegt Pieter Abbeel, medeoprichter en hoofdwetenschapper van Covariant.

Om de investering echt terug te betalen, schatten Abbeel en Chen, moet een robot ten minste 99% - en misschien zelfs 99,5% - nauwkeurig zijn. Alleen dan kan het werken zonder veel menselijke tussenkomst of het risico een productielijn te vertragen. Maar pas met de recente vooruitgang op het gebied van diep leren, en in het bijzonder versterkend leren, werd dit nauwkeurigheidsniveau mogelijk.

Het kantoor van Covariant ligt niet ver van de waterkant van de San Francisco Bay, bij een vervallen parkeerplaats tussen een rij ongemarkeerde gebouwen. Binnenin trainen verschillende industriële robots en co-bots, collaboratieve robots die zijn ontworpen om veilig rond mensen te werken, voor elke productmogelijkheid.

Leden van het team van Covariant gaan regelmatig naar supermarkten om alle kansen en punten te kopen die ze maar kunnen vinden. De items variëren van lotions in flessen tot verpakte kleding tot gum caps ingepakt in doorzichtige dozen. Het team zoekt vooral naar dingen die de robot kunnen doen struikelen: sterk reflecterende metalen oppervlakken, transparante kunststoffen en gemakkelijk vervormbare oppervlakken zoals stoffen en chipzakken die er elke keer anders uitzien voor een camera.

Boven elke robot hangt een reeks camera's die fungeren als zijn set ogen. Die visuele gegevens, samen met sensorgegevens van het lichaam van de robot, worden ingevoerd in het algoritme dat zijn bewegingen bestuurt. De robots leren vooral door een combinatie van imitatie- en bekrachtigingstechnieken. De eerste houdt in dat een persoon de robot handmatig begeleidt om verschillende objecten op te pakken. Vervolgens logt en analyseert het de bewegingsreeksen om te begrijpen hoe het gedrag kan worden gegeneraliseerd. Dat laatste houdt in dat de robot miljoenen trial-and-errorrondes uitvoert. Elke keer dat de robot naar een item reikt, probeert hij het op een iets andere manier. Vervolgens registreert het welke pogingen resulteren in snellere en nauwkeurigere picks versus mislukkingen, zodat het zijn prestaties voortdurend kan verbeteren.

Omdat het uiteindelijk het algoritme is dat leert, is het softwareplatform van Covariant, genaamd Covariant Brain, hardware-agnostisch. Het kantoor heeft inderdaad meer dan een dozijn robots van verschillende modellen, en de live-implementatie met Obeta maakt gebruik van de hardware van Knapp.

Het trainingsregime van Covariant.

In de loop van een uur zag ik drie verschillende robots meesterlijk allerlei in de winkel gekochte items oppakken. Binnen enkele seconden analyseert het algoritme hun posities, berekent de aanvalshoek en de juiste volgorde van bewegingen, en strekt de arm uit om vast te grijpen met een zuignap. Het beweegt met zekerheid en precisie, en verandert zijn snelheid afhankelijk van de fijnheid van het item. Pillen die in folie zijn verpakt, krijgen bijvoorbeeld een zachtere behandeling om te voorkomen dat de verpakking vervormt of dat de medicatie wordt geplet. In een bijzonder indrukwekkende demonstratie keerde de robot ook zijn luchtstroom om om een ​​vervelende zak tegen de muur van een bak in het midden te blazen om gemakkelijker toegang te krijgen.

Knapp's Puchwein zegt dat sinds het bedrijf het Covariant-platform heeft geadopteerd, zijn robots zijn gegaan van het kunnen kiezen tussen 10% en 15% naar ongeveer 95% van Obeta's productassortiment. De laatste 5% bestaat uit bijzonder breekbare items zoals brillen, die nog steeds voorbehouden zijn aan zorgvuldige behandeling door mensen. Dat is geen probleem, vult Puchwein aan. In de toekomst zou een typische opstelling moeten zijn dat u misschien 10 robots en één handmatig orderverzamelstation heeft. Dat is precies het plan. Door de samenwerking zal Knapp de komende jaren zijn Covariant-compatibele robots distribueren naar alle magazijnen van zijn klanten.

Hoewel technisch indrukwekkend, roepen de statistieken ook vragen op over de impact die dergelijke robots zullen hebben op de automatisering van taken. Puchwein geeft toe dat hij verwacht dat binnen de komende vijf jaar honderden of duizenden robots taken overnemen die traditioneel door mensen worden gedaan. Maar, zo stelt hij, mensen willen het werk toch niet meer doen. Vooral in Europa hebben bedrijven vaak moeite om voldoende werknemers te vinden om hun magazijnen te bemannen. Dat is precies de feedback van al onze klanten, zegt hij. Ze vinden geen mensen, dus hebben ze meer automatisering nodig.

Covariant heeft tot nu toe $ 27 miljoen opgehaald, met financiers waaronder AI-grootheden zoals Turing Award-winnaars Geoffrey Hinton en Yann LeCun. Naast het verzamelen van producten, wil het uiteindelijk alle aspecten van de magazijnafhandeling omvatten, van het lossen van vrachtwagens tot het inpakken van dozen tot het sorteren van planken. Het voorziet ook uitbreiding buiten magazijnen naar andere gebieden en industrieën.

Maar uiteindelijk heeft Abbeel een nog verhevener doel: de langetermijnvisie van het bedrijf is om alle AI-robotica op te lossen.

zich verstoppen