Почему команде робототехники перед развертыванием нужны виртуальные тренажерные залы

Гуманоиды и другие роботы могут получить пользу от тренировок в ‘виртуальных залах.’ Источник: SoftServe

Задача современных роботов больше не ограничивает задачи автоматизации. Он адаптируется к постоянно меняющейся среде, и эта изменчивость остается одной из самых сложных проблем.

Это обоснование становится все более важным по мере того, как происходит переход от программной автоматизации к традиционному искусственному интеллекту — системам, которые воспринимают, рассуждают и действуют в относительном мире. По данным Future Market Insights, мировой рынок техники быстро развивающихся стран: совокупный годовой темп роста (CAGR) составляет 19,6% в период с 2026 по 2036 год.

Опыт автономии, но получение реального опыта требует больших затрат, медленно и иногда небезопасно. Вот почему «виртуальные тренажерные залы» становятся резервной частью развития робототехники.

Виртуальный тренажерный зал — это среда высокоточного моделирования, в которой роботы могут тренироваться, выходить из строя, восстанавливаться и проводить проверку перед тем, как приступить к реальным операциям, чтобы провести физические испытания более целенаправленными и менее рискованными. Он сочетает в себе цифровые двойники, высокоточное моделирование, синтетические данные, обучение с подкреплением, моделирование датчиков и циклическое тестирование аппаратного обеспечения.

<ч2>Разрыв между симом и реальностью является производственной проблемойч2>

Разрыв между симуляцией и реальностью часто называют технической проблемой. В производственной робототехнике это также проблема развертывания.

Современных роботов отправляют в места, которые для них неустроены. Мобильный робот должен перемещаться по складскому потоку, который меняется каждый час. Роботизированная рука может случайно выбрать один и тот же продукт в другой упаковке, под другим углом или с поверхностью, отражающей свет так, как видеомодель раньше не видела.

Эти небольшие различия имели достаточное значение, чтобы превратить успешную симуляцию в неудачное развертывание. Робототехника, основанная на обучении, помогает, но не используется.

Обучение сей имитацией часто является практическим способом начать работу, особенно для манипулирования одной задачей, но все равно зависит от хороших демонстраций, тщательной оценки и достаточного количества вариаций, чтобы научить систему тому, как на самом деле выглядит «нормально».

Накопление опыта на первом оборудовании обычно является дорогостоящим методом обучения. Физические испытания могут остановить производство, изготовить оборудование и создать угрозу безопасности. Они также упускают из виду многие случаи, когда больше всего волнуют команды, поскольку застревания, падения предметов, промахи, утечки, повреждения поддонов и отказы датчиков могут не случаться достаточно часто во время обычного тестирования, чтобы стать ключевыми данными для обучения.

Виртуальный зал тренажера предоставляет контролируемый способ создания этих условий еще до того, как они появятся на поле.

Робототехнике и искусственной интеллекту нужен реальный опыт, а не простое моделирование. Источник: SoftServe

Точность работы в виртуальном тренажерном зале должна соответствовать режиму сопротивленияч2>

Полезный виртуальный тренажерный зал – это не просто 3D-модель робота. Он также должен возглавлять часть окружающего воздуха, что может привести к сбою робота.

Это означает, что верность должна быть избирательной, а не чрезмерной. План маршрутов виртуальной роботы не требует того же уровня физики, что и процесс роботизированного заполнения; задача манипулирования деформируемыми объектами; или робот-инспектор, ищущий дефекты жидкостей, тепловые или структурные дефекты.

На заводе для моделей могут использоваться дополнительные геометрия САПР, приспособления, размещение камер, инструменты, материалы, безопасность зон и логика автоматизации. На складе может быть также геометрия проходов, расположение поддонов, разнообразие предметов, движение людей, схемы движения и поведение парковой техники.

Самые сильные виртуальные залы сочетают в себе несколько методов исследования:

• Первопринципы физики могут возглавлять движение, столкновение, контакт и динамику.
• Модели элементов, основанные на данных, могут корректировать эффекты, которые трудно уловить аналитически.
• Совместное моделирование может включать специализированные решатели при включении движения, жидкости, теплового поведения или напряжения материала.

<ли>Суррогатные модели, такие как модели пониженного порядка, нейронные обыкновенные дифференциальные уравнения и нейронные сети с учетом физики, могут аппроксимировать сложное поведение быстрее, чем полномасштабное моделирование, сохраняя при этом достаточную физическую точность для инженерного использования.

Робот не просто визуализируется, но и может быть использован в различных комбинациях, которые было бы непрактично или вредно выполнять физически.

п>

Синтетические данные преобразуют отсутствующие случаи в тестовых образцах

Для робототехники, управляемой восприятием, виртуальный тренажерный зал также является двигателем данных.

Модели промышленного внимания должны распознавать детали, поддоны, инструменты, клапаны, дефекты, поверхности, препятствия и людей во многих условиях. Реальные данные часто не охватывают достаточные вариации — новые продукты могут существовать только в виде файлов САПР, могут обнаруживаться редкие дефекты, а события безопасности могут быть слишком рискованными для вывода.

Синтетические данные наиболее полезны, когда они выдвигают рекомендации по развертыванию среды, а не генерируются в соответствии с общими результатами моделирования. В случае с Toyota Material Handling Europe мы использовали синтетические данные, чтобы улучшить восприятие вилочных погрузчиков в условиях склада, где этикетки на поддонах, текстура пола, тени, цвета и освещение могут значительно различаться.

Модель, обученная с помощью NVIDIA Cosmos, достигла точности 89,6% и полноты 84,7% на исходном наборе данных, тогда как модель, построенная только на симуляторе, достигла точности всего 49,4%. После обучения визуальные эффекты были адаптированы для лучшего соответствия среде клиента (включая метки, цвета, поливы и тени) — производительность выросла до 99,5 % точности и 92,8 % точности для отдельных данных.

Это не используется. Это делает реальные данные более ценными, используя их при калибровке, отклонении и исправлении ошибок.

Практический рабочий процесс, основанный на синтезе, калибровке и постоянном обновлении. Моделирование соответствует рабочему диапазону >> целевые физические кристаллы проявляются, где модель неверна >> реальная проверка подтверждения производительности. Эксплуатационные ошибки затем возвращаются в цифровой двойник для повторного обучения.

Но оценка стоимости ограничена, если оно остается отключенным из-за стека развертывания. Командам робототехники также необходимо знать, будет ли система работать правильно при подключении к логике ПЛК, периферийным устройствам, датчикам, системам безопасности, оркестровке автопарка и операционным процессам.

В промышленных условиях мы видим, что виртуальный ввод в подключение может сократить время ввода в подключение на 30–50%. Для командной робототехники более быстрые циклы моделирования означают, что можно оценить большее влияние на то, как будет выделено оборудование или время производства.

Виртуальный ввод в подключение может сэкономить время развертывания. Источник: SoftServe

. <ч2> Виртуальный тренажерный зал является частью практического рабочего процесса развертыванияч2>

Готовый вариант использования виртуального тренажерного зала должен быть частью более широкого жизненного цикла. Полезный рабочий процесс состоит из пяти этапов.

<ол>

<ли>Обучайте стратегии и модели наблюдения в симуляциях. Это может включать в себя обучение с подкреплением, обучение на основе учебной программы, генерацию синтетических данных и стресс-тестирование в нормальных и аномальных сценариях. Ограничения безопасности должны быть частью обучения с самого начала, а не в конце.

<ли>Соответствие реальности. Для сравнения смоделированных прогнозов с реальными результатами следует аппаратное тестирование, реальную телеметрию, целевые физические испытания и журналы датчиков. Цель состоит в том, чтобы указать пробел, и не делать вид, что он исчез.

ол>

Многие программы робототехники застревают между работающим пилотным проектом и готовой к эксплуатации системой, потому что робот может выбрать задачу, в то время как окружающий стек — захват, локализация, логика безопасности, оркестровка, периферийное развертывание, конвейеры данных и системная интеграция — остается незавершенным.

Виртуальный заловый тренажер еще больше усложняет задачу, позволяя тестировать производительность роботов, рабочие процессы и опасные сценарии до того, как будет выделено оборудование или время производства.

Это становится все более важным, поскольку робототехника переходит от отдельных машин к скоординированным физическим системам искусственного интеллекта, которые должны управлять, принимать решения, действовать, управляться и совершенствоваться в изменяющихся условиях. Тестирование в любых условиях по-прежнему будет необходимо, но роботы не должны изначально сталкиваться с наиболее необходимыми условиями отказа в производстве.

Об авторе

Мариуш Яняк, доктор философии, — академический преподаватель, инженер и главный архитектор робототехники в компании SoftServe Inc. в Остине, штат Техас, занимается расширенным управлением, планированием движения и распределением ресурсов реального времени. Его опыт соответствует университетским исследованиям, современным проектам ЕС и промышленному развитию робототехники, включая работу над роботами-гуманоидами и инновационными технологиями медиапроизводства.

Пост «Почему нам робототехники нужны виртуальные тренажерные залы перед развертыванием» впервые появился в The Robot Report.

Источник