211service.com
Amazon Robot Contest kan fremskynde lagerautomatisering
Pakker med Oreos, kasser med farveblyanter og knirkende hundelegetøj vil teste grænserne for robotsyn og manipulation i en konkurrence til maj. Amazon arrangerer begivenheden for at anspore udviklingen af mere kvikfingrede produktpakkemaskiner.
Willow Garages PR2, en af robotterne involveret i udfordringen, bruger denne konventionelle griber.
Deltagende robotter vil optjene point ved at finde produkter, der sidder et sted på en stak hylder, hente dem sikkert frem og derefter pakke dem i papkasser. Robotter, der ved et uheld knuser en cookie eller taber et legetøj, vil få point fratrukket. De mennesker, hvis robotter tjener flest point, vil vinde $25.000.
Amazon har allerede automatiseret noget af det arbejde, der udføres i dets store opfyldelsescentre. Robotter nogle få steder sender hylder fyldt med produkter over til menneskelige arbejdere, som så griber og pakker dem. Disse mobile robotter, lavet af Kiva systemer , et firma som Amazon købte i 2012 for 678 millioner dollars , reducere den afstand, menneskelige arbejdere skal gå for at finde produkter. Men ingen robot kan endnu vælge og pakke produkter med et menneskes hurtighed og pålidelighed. Industrirobotter, der allerede er udbredt i flere industrier, er begrænset til ekstremt præcist, gentagne arbejde i stærkt kontrollerede miljøer.
Pete Wurman , teknologichef for Kiva Systems, siger, at omkring 30 hold fra akademiske afdelinger rundt om i verden vil deltage i udfordringen, som vil blive afholdt på den internationale konference om robotteknologi og automatisering i Seattle ( ICRA 2015 ). I hver runde vil robotter blive bedt om at vælge og pakke en af 25 forskellige varer fra en stak hylder, der ligner dem, der findes i Amazons varehuse. Nogle teams udvikler deres egne robotter, mens andre tilpasser kommercielt tilgængelige systemer med deres egne gribere og software.
De 25 genstande, som deltagende robotter skal hente fra hylderne.
Udfordringen for robotterne i Amazons konkurrence vil være betydelig. Mennesker har en bemærkelsesværdig evne til at identificere objekter, finde ud af, hvordan de skal manipulere dem og derefter gribe dem med den helt rigtige mængde kraft. Dette er især svært for maskiner at gøre, hvis en genstand er ukendt, akavet formet eller sidder på en mørk hylde med en masse andre ting. I Amazon-konkurrencen skal robotterne arbejde uden fjernvejledning fra deres skabere.
Vi forsøgte at udvælge en række forskellige produkter, der var repræsentative for vores katalog, og som udgør forskellige former for forståelsesmæssige udfordringer, sagde Wurman. Ligesom plastfolie; svært at få fat i lille hundelegetøj; ting, du ikke ønsker at knuse, som Oreos.
Videoen nedenfor viser tilgangen taget af et team ved University of Colorado. Holdet bruger off-the-shelf software og bygger en robotarm, der er specialiseret til opgaven, siger Dave Coleman, en involveret ph.d.-studerende.
Konkurrencen kunne tilbyde en måde at bedømme de fremskridt, der er gjort i de sidste par år, hvor nogle billigere, sikrere og mere tilpasningsdygtige robotter er dukket op (se How Technology Is Destroying Jobs) takket være fremskridt i de teknologier, der ligger til grund for maskinbehændighed. Nye typer robotmanipulatorer gør f.eks. maskiner mindre dygtige til at samle besværlige eller akavede genstande op. Flere startups udvikler robothænder, der søger at kopiere den fleksibilitet og følesans, der findes i menneskelige tal. Fremskridt inden for maskinlæring kan hjælpe robotter med at udføre langt mere sofistikeret objektmanipulation i de kommende år.
Et centralt gennembrud på dette område kom i 2006, da en gruppe forskere ledet af Andrew Ng, dengang i Stanford og nu i Baidu, udtænkte en måde, hvorpå robotter kunne finde ud af, hvordan man manipulerer ukendte objekter. I stedet for at skrive regler for, hvordan man griber en bestemt genstand eller form, satte forskerne deres robot i stand til at studere tusindvis af 3D-billeder og lære at genkende, hvilke typer greb der ville fungere for forskellige former. Dette gjorde det muligt for den at finde ud af passende greb til nye genstande.
I de senere år har robotteknologiforskere i stigende grad brugt en kraftfuld maskinlæringstilgang kendt som deep learning til at forbedre disse muligheder (se 10 Breakthrough Technologies 2013: Deep Learning). Ashutosh Saxena , et medlem af Ngs team på Stanford og nu assisterende professor ved Cornell University, bruger dyb læring til at træne en robot, der vil deltage i Amazon-udfordringen. Han arbejder med en af sine elever, Ian Lenz .
Selvom Amazon-udfordringen kan virke simpel, mener Saxena, at den hurtigt kan få indflydelse i den virkelige verden. Hvis robotter er i stand til at håndtere selv de lette typer gribeopgaver, som konkurrencen foreslår, siger han, kunne vi faktisk begynde at se en masse robotter, der hjælper folk med forskellige opgaver.