Berta Sándor
Intelligensebbek lehetnek az áruválogató robotok
A gépek a jövőben gyorsabban végezhetik a feladataikat és hatékonyabb segítséget jelenthetnek az embereknek.
A Federated Learning for Robot Picking (FLAIROP) nevű projekt keretében kanadai és német kutatók új mesterséges intelligencia módszerek segítségével okosabbá akarják tenni az áruválogató robotokat. A szakemberek azt akarják elérni, hogy a gépek jobban tudják a termékeket becsomagolni, tárolni és szortírozni. Jonathan Auberle, a Karlsruhei Technológiai Intézet Anyagmozgatási és Logisztikai Rendszerek Intézetének (KIT IFL) munkatársa elmondta, hogy tanulmányozzák, hogy miként lehet minél sokoldalúbban felhasználni a számos raktárban és más helyen gyűjtött adatokat arra, hogy robusztusabb és intelligensebbek megoldásokat fejlesszenek ki a segítségükkel, mint egyetlen robot adatait felhasználva. A cél az, hogy a gépek végül képesek legyenek arra, hogy teljesen más, számukra ismeretlen környezetben is zökkenőmentesen működjenek.
A projektben alkalmazott megosztott tanulást (Federated Learning) főleg az egészségügyi szektorban népszerű és elsősorban képelemzésre használják. A megszerzett tudást általában egy központi szerveren tárolják és különböző szempontok alapján optimalizálják, majd a feljavított változatokat visszatöltik a helyi robotokkal összekötött állomásokra és ez folyamat számos alkalommal megismétlődik. A cél az, hogy az algoritmusok ne csupán fejlődjenek, hanem az adatvédelmi előírásoknak is maximálisan megfeleljenek.
A programban négy önállóan működő áruválogató állomást építenek fel, kettőt az IFL-ben, míg a másik kettőt az esslingeni FESTO SE & Co. KG. cégnél. A partnerek között van még a Waterlooi Egyetem és a Darwin AI kanadai vállalat is. A kanadai fél a gépi tanulás bevonásával megvalósított objektumfelismerésre és az optimalizálási feladatokra összpontosít, míg a német fél a robotikában és az adatbiztonságban szerzett szakértelmét próbálja meg hasznosítani.
Jan Seyler, a FESTO SE & Co. KG. fejlesztési, elemzési és vezérlési vezetője közölte, hogy a FLAIROP keretében olyan új dolgokat fejlesztenek ki, amelyek segítségével a robotok úgy tanulhatnak egymástól, hogy a folyamat során nem kell érzékeny adatokat és üzleti titkokat megosztaniuk. Ennek két nagy előnye is van. Az egyik, hogy megvédhetők az ügyfelek adatai, míg a másik, hogy a gépek számos feladatot gyorsabban tudnak elvégezni, így támogatni tudják a gyártásban dolgozókat az ismétlődő, nehéz vagy monoton feladatok elvégzésében.
A Federated Learning for Robot Picking (FLAIROP) nevű projekt keretében kanadai és német kutatók új mesterséges intelligencia módszerek segítségével okosabbá akarják tenni az áruválogató robotokat. A szakemberek azt akarják elérni, hogy a gépek jobban tudják a termékeket becsomagolni, tárolni és szortírozni. Jonathan Auberle, a Karlsruhei Technológiai Intézet Anyagmozgatási és Logisztikai Rendszerek Intézetének (KIT IFL) munkatársa elmondta, hogy tanulmányozzák, hogy miként lehet minél sokoldalúbban felhasználni a számos raktárban és más helyen gyűjtött adatokat arra, hogy robusztusabb és intelligensebbek megoldásokat fejlesszenek ki a segítségükkel, mint egyetlen robot adatait felhasználva. A cél az, hogy a gépek végül képesek legyenek arra, hogy teljesen más, számukra ismeretlen környezetben is zökkenőmentesen működjenek.
A projektben alkalmazott megosztott tanulást (Federated Learning) főleg az egészségügyi szektorban népszerű és elsősorban képelemzésre használják. A megszerzett tudást általában egy központi szerveren tárolják és különböző szempontok alapján optimalizálják, majd a feljavított változatokat visszatöltik a helyi robotokkal összekötött állomásokra és ez folyamat számos alkalommal megismétlődik. A cél az, hogy az algoritmusok ne csupán fejlődjenek, hanem az adatvédelmi előírásoknak is maximálisan megfeleljenek.
A programban négy önállóan működő áruválogató állomást építenek fel, kettőt az IFL-ben, míg a másik kettőt az esslingeni FESTO SE & Co. KG. cégnél. A partnerek között van még a Waterlooi Egyetem és a Darwin AI kanadai vállalat is. A kanadai fél a gépi tanulás bevonásával megvalósított objektumfelismerésre és az optimalizálási feladatokra összpontosít, míg a német fél a robotikában és az adatbiztonságban szerzett szakértelmét próbálja meg hasznosítani.
Jan Seyler, a FESTO SE & Co. KG. fejlesztési, elemzési és vezérlési vezetője közölte, hogy a FLAIROP keretében olyan új dolgokat fejlesztenek ki, amelyek segítségével a robotok úgy tanulhatnak egymástól, hogy a folyamat során nem kell érzékeny adatokat és üzleti titkokat megosztaniuk. Ennek két nagy előnye is van. Az egyik, hogy megvédhetők az ügyfelek adatai, míg a másik, hogy a gépek számos feladatot gyorsabban tudnak elvégezni, így támogatni tudják a gyártásban dolgozókat az ismétlődő, nehéz vagy monoton feladatok elvégzésében.