211service.com
Amazon Robot Contest kan magazijnautomatisering versnellen
Pakketten met Oreos, dozen met kleurpotloden en piepend hondenspeelgoed zullen in mei de grenzen van robotvisie en -manipulatie testen in een wedstrijd. Amazon organiseert het evenement om de ontwikkeling van meer vingervlugge productverpakkingsmachines te stimuleren.
Willow Garage's PR2, een van de robots die bij de uitdaging betrokken zijn, gebruikt deze conventionele grijper.
Deelnemende robots verdienen punten door producten ergens op een stapel planken te lokaliseren, ze veilig op te halen en ze vervolgens in kartonnen verzenddozen te verpakken. Voor robots die per ongeluk een koekje verpletteren of speelgoed laten vallen, worden punten afgetrokken. De mensen wiens robots de meeste punten verdienen, winnen $ 25.000.
Amazon heeft al een deel van het werk in zijn enorme fulfilmentcentra geautomatiseerd. Robots op een paar locaties sturen planken vol met producten naar menselijke werknemers, die ze vervolgens grijpen en verpakken. Deze mobiele robots, gemaakt door Kiva Systems , een bedrijf dat Amazon in 2012 kocht voor $ 678 miljoen , verklein de afstand die menselijke werknemers moeten lopen om producten te vinden. Er is echter nog geen enkele robot die producten kan picken en verpakken met de snelheid en betrouwbaarheid van een mens. Industriële robots die al wijdverbreid zijn in verschillende industrieën, zijn beperkt tot uiterst nauwkeurig, repetitief werk in sterk gecontroleerde omgevingen.
Pete Wurman , chief technology officer van Kiva Systems, zegt dat ongeveer 30 teams van academische afdelingen over de hele wereld zullen deelnemen aan de uitdaging, die zal worden gehouden op de International Conference on Robotics and Automation in Seattle ( ICRA 2015 ). In elke ronde krijgen robots de opdracht om een van de 25 verschillende items te kiezen en in te pakken uit een stapel planken die lijken op die in de magazijnen van Amazon. Sommige teams ontwikkelen hun eigen robots, anderen passen in de handel verkrijgbare systemen aan met eigen grijpers en software.
De 25 items die deelnemende robots uit de schappen moeten halen.
De uitdaging voor de robots in de Amazon-wedstrijd zal aanzienlijk zijn. Mensen hebben een opmerkelijk vermogen om objecten te identificeren, erachter te komen hoe ze te manipuleren en ze vervolgens met precies de juiste hoeveelheid kracht vast te pakken. Dit is vooral moeilijk voor machines als een object onbekend is, een onhandige vorm heeft of op een donkere plank staat met een heleboel andere items. In de Amazon-wedstrijd zullen de robots moeten werken zonder begeleiding op afstand van hun makers.
We hebben geprobeerd een verscheidenheid aan verschillende producten te kiezen die representatief waren voor onze catalogus en die verschillende soorten grijpuitdagingen met zich meebrengen, zei Wurman. Zoals plasticfolie; moeilijk te grijpen speelgoed voor kleine honden; dingen die je niet wilt verpletteren, zoals de Oreos.
De onderstaande video toont de aanpak van een team van de Universiteit van Colorado. Het team gebruikt kant-en-klare software en bouwt een robotarm die gespecialiseerd is voor de taak, zegt Dave Coleman, een betrokken promovendus.
De wedstrijd zou een manier kunnen zijn om de vooruitgang te beoordelen die de afgelopen jaren is geboekt, toen er goedkopere, veiligere en meer aanpasbare robots zijn verschenen (zie Hoe technologie banen vernietigt ) dankzij de vooruitgang in de technologieën die ten grondslag liggen aan de behendigheid van machines. Nieuwe typen robotmanipulatoren maken machines minder han- dig bij het oppakken van lastige of onhandige voorwerpen, bijvoorbeeld. Verschillende startups ontwikkelen robothanden die de flexibiliteit en tastzin van menselijke vingers willen kopiëren. Vooruitgang in machine learning zou robots de komende jaren kunnen helpen veel geavanceerdere objectmanipulatie uit te voeren.
Een belangrijke doorbraak op dit gebied kwam in 2006, toen een groep onderzoekers onder leiding van Andrew Ng, toen in Stanford en nu in Baidu, een manier bedacht waarop robots konden uitwerken hoe ze onbekende objecten konden manipuleren. In plaats van regels te schrijven voor het vastpakken van een specifiek object of vorm, lieten de onderzoekers hun robot duizenden 3D-beelden bestuderen en leren herkennen welke soorten grip voor verschillende vormen zouden werken. Dit stelde het in staat om geschikte grepen voor nieuwe objecten te vinden.
In de afgelopen jaren hebben robotica-onderzoekers in toenemende mate gebruik gemaakt van een krachtige machine-learning-aanpak die bekend staat als deep learning om deze mogelijkheden te verbeteren (zie 10 Breakthrough Technologies 2013: Deep Learning). Ashutosh Saxena , een lid van Ng's team op Stanford en nu een assistent-professor aan de Cornell University, gebruikt deep learning om een robot te trainen die zal deelnemen aan de Amazon-uitdaging. Hij werkt samen met een van zijn studenten, Ian Lenz .
Hoewel de Amazon-uitdaging misschien eenvoudig lijkt, gelooft Saxena dat deze snel een impact kan hebben in de echte wereld. Als robots zelfs de lichte soorten grijptaken aankunnen die de wedstrijd voorstelt, zegt hij, zouden we veel robots kunnen zien die mensen helpen met verschillende taken.