Mejor agarre con robots de recolección inteligentes

Mejor agarre con robots de recolección inteligentes

En el proyecto de investigación FLAIROP, robots autónomos procesan artículos en varias estaciones de picking mediante agarre y transferencia. Crédito: Amadeus Bramsiepe, KIT

Producción, almacén, envío: aquí se producen, almacenan, clasifican o embalan las mercancías, y también se realiza el picking. Esto significa que varias mercancías individuales se retiran de las unidades de almacenamiento, como cajas o cartones, y se vuelven a montar. Los investigadores del Instituto de Tecnología de Karlsruhe (KIT), junto con socios de Alemania y Canadá, quieren hacer que los robots de recolección sean más inteligentes utilizando métodos de inteligencia artificial distribuida. Para ello, están investigando cómo utilizar los datos de formación de varias estaciones, de varias plantas o incluso de empresas sin que los participantes entreguen datos confidenciales de la empresa.

“Estamos investigando cómo se pueden usar los datos de entrenamiento más versátiles posibles de múltiples ubicaciones para desarrollar soluciones más robustas y eficientes utilizando algoritmos de inteligencia artificial que con datos de un solo robot”, dice Jonathan Auberle del Instituto de Manejo de Materiales y Logística (IFL ) en KIT. En el proceso, los artículos son procesados ​​por robots autónomos en varias estaciones de picking mediante agarre y transferencia. En las distintas estaciones, los robots se entrenan con artículos muy diferentes. Al final, deberían poder captar artículos de otras estaciones de los que aún no se han enterado. “Mediante el enfoque del aprendizaje federado, equilibramos la diversidad de datos y la seguridad de los datos en un entorno industrial”, dice el experto.

Potentes algoritmos para la industria y la logística

“Hasta ahora, el aprendizaje federado se ha utilizado predominantemente en el sector médico para el análisis de imágenes, donde la protección de los datos de los pacientes es una prioridad particularmente alta”, explica Auberle. En consecuencia, dice, no hay intercambio de datos de entrenamiento como imágenes o puntos de agarre para entrenar la red neuronal artificial. En cambio, solo los pesos locales de la red neuronal, es decir, partes del conocimiento almacenado, se transfieren a un servidor central. “Allí, los pesos de todas las estaciones se recopilan y optimizan utilizando varios criterios. Luego, la versión mejorada se reproduce en las estaciones locales y el proceso se repite”. El objetivo es desarrollar algoritmos nuevos y más potentes para el uso robusto de la inteligencia artificial para la industria y la logística, cumpliendo al mismo tiempo con las pautas de protección de datos.

Durante el proyecto, se instalarán un total de cuatro estaciones de picking autónomas para la formación de los robots: dos en el KIT Institute for Material Handling and Logistics (IFL) y dos en la empresa Festo SE con sede en Esslingen am Neckar.

En el proyecto de investigación FLAIROP, estamos desarrollando nuevas formas para que los robots aprendan unos de otros sin compartir datos confidenciales y secretos de la empresa. Esto trae dos beneficios importantes: protegemos los datos de nuestros clientes y ganamos velocidad porque los robots pueden hacerse cargo de muchas tareas más rápidamente. De esta forma, los robots colaborativos pueden, por ejemplo, ayudar a los trabajadores de producción con tareas repetitivas, pesadas y agotadoras “, afirma Jan Seyler, director de análisis y control de desarrollo avanzado de Festo SE & Co. KG.

“DarwinAI se complace en proporcionar nuestra plataforma Explicable (XAI) al proyecto FLAIROP y se complace en trabajar con organizaciones académicas canadienses y alemanas tan estimadas y con nuestro socio de la industria, Festo. Esperamos que nuestra tecnología XAI permita la intervención humana de alto valor los procesos de ciclo para este emocionante proyecto, que representa una faceta importante de nuestra oferta junto con nuestro enfoque novedoso para el aprendizaje federado. Teniendo nuestras raíces en la investigación académica, estamos entusiasmados con esta colaboración y los beneficios industriales de nuestro nuevo enfoque para una variedad de clientes de fabricación “, dice Sheldon Fernandez, director ejecutivo de DarwinAI.

“La Universidad de Waterloo está encantada de trabajar con el Instituto de Tecnología de Karlsruhe y un líder mundial en automatización industrial como Festo para llevar la próxima generación de inteligencia artificial confiable a la fabricación. Al aprovechar la IA explicable (XAI) y el aprendizaje federado de DarwinAI, podemos habilitar Soluciones de inteligencia artificial para ayudar a los trabajadores de las fábricas en sus tareas de producción diarias para maximizar la eficiencia, la productividad y la seguridad “, dice el Dr. Alexander Wong, codirector del Grupo de Investigación de Procesamiento de Imágenes y Visión de la Universidad de Waterloo y científico jefe de DarwinAI.


Similar Posts

Leave a Reply