Kunstig intelligens styrer robotarmen til at pakke kasser og reducere omkostninger

Rutgers computerforskere brugte kunstig intelligens til at styre en robotarm, der giver en mere effektiv måde at pakke kasser på, sparer virksomheder tid og penge.

"Vi kan opnå lave omkostninger, automatiserede løsninger, der let kan implementeres. Nøglen er at træffe minimale, men effektive hardware valg og fokusere på robuste algoritmer og software, " sagde undersøgelsens seniorforfatter Kostas Bekris, en lektor i afdelingen for datalogi på School of Arts and Sciences ved Rutgers University-New Brunswick.

Bekris, Abdeslam Boularias og Jingjin Yu, begge adjunkter i datalogi, dannede et team til at håndtere flere aspekter af robotpakningsproblemet på en integreret måde gennem hardware, 3-D perception og robust bevægelse.

Forskernes peer-reviewede undersøgelse blev offentliggjort for nylig på IEEE International Conference on Robotics and Automation, hvor den var finalist til prisen for bedste papir i automation. Undersøgelsen falder sammen med den voksende tendens til at implementere robotter til at udføre logistik, detail- og lageropgaver. Fremskridt inden for robotteknologi accelererer i et hidtil uset tempo på grund af maskinlæringsalgoritmer, der giver mulighed for kontinuerlige eksperimenter.

Denne video viser en Kuka-robotarm, der tæt pakker genstande fra en skraldespand ind i en forsendelsesordreboks (fem gange den faktiske hastighed):

Tæt pakning af produkter plukket fra en uorganiseret bunke forbliver stort set en manuel opgave, selvom det er afgørende for lagereffektiviteten. Automatisering af sådanne opgaver er vigtigt for virksomhedernes konkurrenceevne og giver folk mulighed for at fokusere på mindre slemt og fysisk belastende arbejde, ifølge Rutgers videnskabelige hold.

Rutgers-undersøgelsen fokuserede på at placere genstande fra en skraldespand i en lille forsendelseskasse og arrangere dem stramt. Dette er en sværere opgave for en robot sammenlignet med blot at samle en genstand op og slippe den ned i en kasse.

Forskerne udviklede software og algoritmer til deres robotarm. De brugte visuelle data og en simpel sugekop, som fungerer som en finger til at skubbe genstande. Det resulterende system kan vælte genstande for at få en ønskværdig overflade til at gribe dem. Desuden, den bruger sensordata til at trække objekter mod et målområde og skubbe objekter sammen. Under disse operationer, den bruger overvågning i realtid til at opdage og undgå potentielle fejl.

Da undersøgelsen fokuserede på pakning af kubeformede objekter, et næste skridt ville være at udforske emballering af genstande af forskellige former og størrelser. Et andet skridt ville være at udforske automatisk indlæring af robotsystemet, efter at det har fået en bestemt opgave.