Nắm bắt tốt hơn với các robot thông minh

Festo đang nghiên cứu các phương pháp AI mới để chọn robot với các đối tác từ Đức và Canada

Sản xuất, lưu trữ, vận chuyển - nơi hàng hóa được sản xuất, phân loại hoặc đóng gói, chúng cũng được chọn. Robot thường lấy hàng hóa riêng lẻ từ các hộp và lắp ráp chúng lại. Trong dự án FLAIROP, Festo đang nghiên cứu với các đối tác từ Đức và Canada để làm cho robot chọn hàng thông minh hơn với các phương pháp AI phân tán. Họ điều tra cách dữ liệu đào tạo từ nhiều trạm, nhà máy hoặc doanh nghiệp có thể được sử dụng mà không cần phải tiết lộ dữ liệu nhạy cảm của doanh nghiệp.

"Chúng tôi đang nghiên cứu cách dữ liệu đào tạo linh hoạt từ nhiều địa điểm có thể được sử dụng để phát triển các giải pháp mạnh mẽ và hiệu quả hơn với sự trợ giúp của các thuật toán trí tuệ nhân tạo so với dữ liệu chỉ từ một robot ", Jonathan Auberle từ Viện Công nghệ xử lý vật liệu và hệ thống hậu cần (IFL) - Viện Công nghệ Karlsruhe (KIT) cho biết.

Các mặt hàng tiếp tục được robot tự động xử lý tại một số trạm lấy hàng bằng cách nắm chặt và di chuyển. Tại các trạm khác nhau, các robot được huấn luyện với các bài hoàn toàn khác nhau. Cuối cùng, chúng sẽ có thể nhặt các vật phẩm từ các trạm khác mà chưa từng thấy trước đây. Chuyên gia cho biết: “Thông qua cách tiếp cận của phương pháp học phân tán, còn được gọi là Federated Learning, chúng tôi quản lý hành động cân bằng giữa đa dạng dữ liệu và bảo mật dữ liệu trong môi trường công nghiệp.

Các thuật toán mạnh mẽ cho ngành công nghiệp và hậu cần 4.0

Cho đến nay, Federated Learning chủ yếu được sử dụng trong lĩnh vực y tế để phân tích hình ảnh, nơi mà việc bảo vệ dữ liệu bệnh nhân đặc biệt quan trọng. Do vậy, không có trao đổi dữ liệu huấn luyện như hình ảnh hoặc điểm nắm để huấn luyện mạng nơ-ron nhân tạo. Chỉ những bộ phận đơn trong kiến thức đã lưu — trọng số cục bộ của mạng nơ-ron cho biết mức độ lớn mạnh của một nơ-ron được kết nối với một nơ-ron khác - được truyền đến một máy chủ trung tâm. Ở đó, trọng số từ tất cả các trạm được thu thập và tối ưu hóa bằng cách sử dụng các tiêu chí khác nhau. Phiên bản cải tiến sau đó được phát lại cho các trạm địa phương và quá trình này tự lặp lại.

Mục tiêu là phát triển các thuật toán mới, mạnh mẽ hơn để sử dụng rộng rãi trí tuệ nhân tạo cho ngành công nghiệp và hậu cần 4.0 mà vẫn tuân thủ các nguyên tắc bảo vệ dữ liệu.

“Trong dự án nghiên cứu FLAIROP, chúng tôi đang phát triển những cách thức mới mà trong đó các robot có thể học hỏi lẫn nhau mà không cần chia sẻ dữ liệu nhạy cảm và bí mật thương mại. Điều này mang lại hai lợi thế lớn: chúng tôi bảo vệ dữ liệu của khách hàng và cũng đạt được tốc độ cao hơn vì robot có thể đảm nhận nhiều nhiệm vụ nhanh hơn theo cách này. Ví dụ, các robot hợp tác có thể hỗ trợ công nhân sản xuất với các công việc lặp đi lặp lại, khó khăn và mệt mỏi”, Jan Seyler, Head of Advanced Develop, cho biết. Phân tích và kiểm soát tại Festo.

Công ty khởi nghiệp DarwinAI và University of Waterloo từ Canada là những đối tác khác

“DarwinAI rất vui mừng được cung cấp nền tảng Explainable (XAI) của chúng tôi cho dự án FLAIROP và hợp tác với các tổ chức nghiên cứu có uy tín của Canada và Đức cũng như đối tác công nghiệp Festo của chúng tôi. Chúng tôi mong rằng công nghệ XAI của mình sẽ cho phép các quy trình liên tục chất lượng cao của con người cho dự án thú vị này, điều này thể hiện một khía cạnh quan trọng trong đề xuất của chúng tôi cùng với cách tiếp cận mới của chúng tôi về Federated Learning. Với nguồn gốc là nghiên cứu học thuật, chúng tôi rất vui mừng về sự hợp tác này và những lợi ích công nghiệp trong cách tiếp cận mới của chúng tôi đối với nhiều khách hàng sản xuất, ”Sheldon Fernandez, CEO của DarwinAI cho biết.

“University of Waterloo rất vui mừng được hợp tác với Viện Công nghệ Karlsruhe và nhà lãnh đạo toàn cầu trong lĩnh vực tự động hóa công nghiệp như Festo để mang thế hệ trí tuệ nhân tạo đáng tin cậy tiếp theo vào lĩnh vực sản xuất”, TS. Alexander Wong, Đồng giám đốc của Vision and Image Processing Research Group, University of Waterloo, và Chief Scientist tại DarwinAI.

"Bằng cách tận dụng DarwinAIs Explainable AI (XAI) và Federated Learning, chúng tôi có thể tạo ra các giải pháp AI hỗ trợ công nhân nhà máy trong các công việc sản xuất hàng ngày của họ để tăng hiệu quả, năng suất và an toàn."

Đối tác liên kết:

  • Học viện Công nghệ Karlsruhe (KIT) (Đức)
  • University of Waterloo (Canada)
  • Darwin AI (Canada)

Điều phối viên mạng:

  • Festo SE & Co. KG