Universal Robots เปิดตัว UR AI Trainer ระบบใหม่ที่ออกแบบมาเพื่อเร่งการฝึกหุ่นยนต์ด้วย AI สำหรับระบบอัตโนมัติในภาคอุตสาหกรรม แพลตฟอร์มนี้เปิดตัวที่งาน NVIDIA GTC และถือเป็นการเปลี่ยนจากกระบวนการทำงานของหุ่นยนต์ที่ตั้งโปรแกรมไว้ล่วงหน้า มาเป็นเวิร์กโฟลว์การเคลื่อนไหวที่พัฒนาด้วย AI โซลูชันนี้พัฒนาร่วมกับ Scale AI โดยมุ่งเน้นการบันทึกข้อมูลการเคลื่อนไหวและการโต้ตอบในโลกจริงสำหรับการประยุกต์ใช้ด้านหุ่นยนต์

Universal Robots เปิดตัว UR AI Trainer ที่งาน NVIDIA GTC ภาพจาก Universal Robots

เชื่อมช่องว่างระหว่างการฝึกในห้องปฏิบัติการกับการใช้งานในโรงงาน

การฝึกหุ่นยนต์ด้วย AI มักประสบปัญหาเมื่อต้องเปลี่ยนจากการจำลองในห้องปฏิบัติการไปสู่สภาพแวดล้อมการผลิตจริง ข้อมูลการฝึกที่สร้างขึ้นในสภาพแวดล้อมควบคุมอาจไม่สะท้อนความแปรผันทางกล พฤติกรรมของวัตถุ หรือสภาวะการผลิตในโลกจริง ด้วยเหตุนี้ หุ่นยนต์ที่ฝึกจากการจำลองจึงมักต้องปรับแต่งเพิ่มเติมก่อนนำไปใช้งาน

แนวทางการฝึกแบบดั้งเดิมยังอาศัยชุดข้อมูลภาพเป็นหลัก ข้อมูลที่มีเฉพาะภาพไม่สามารถเก็บข้อมูลป้อนกลับของแรงบิด แรงสัมผัส หรือแรงต้านของวัสดุได้ ข้อจำกัดเหล่านี้ลดประสิทธิภาพในการใช้งานต่าง ๆ เช่น การประกอบ การสอดใส่ และการจัดการชิ้นงานร่วมกับมนุษย์

การควบคุมแรงบิดโดยตรงช่วยเพิ่มการเรียนรู้ที่รับรู้แรง

UR AI Trainer ผสานการควบคุมแรงบิดโดยตรงและการป้อนกลับของแรงเข้ากับกระบวนการฝึก ทำให้หุ่นยนต์เรียนรู้ได้ทั้งเส้นทางการเคลื่อนไหวและลักษณะการโต้ตอบทางกายภาพ ระหว่างการฝึก ระบบจะบันทึกแรงบิด แรงจับ และพฤติกรรมขณะสัมผัส เพื่อสร้างชุดข้อมูลที่สมจริงยิ่งขึ้น

การผสานข้อมูลภาพเข้ากับข้อมูลป้อนกลับทางกลช่วยให้หุ่นยนต์เรียนรู้ว่าการทำงานแต่ละอย่างควรรู้สึกอย่างไรขณะปฏิบัติงาน ส่งผลให้ประสิทธิภาพดีขึ้นในการใช้งานที่ต้องอาศัยการเคลื่อนไหวแบบปรับตัวได้ การทำงานร่วมกับมนุษย์ และการจัดการชิ้นงานอย่างแม่นยำ

การควบคุมแรงบิดโดยตรงช่วยให้หุ่นยนต์เรียนรู้การป้อนกลับของแรง ทำให้การฝึกด้วย AI มีความแม่นยำยิ่งขึ้น ภาพจาก Universal Robots

หุ่นยนต์ผู้นำบันทึกข้อมูลการเคลื่อนไหวและการโต้ตอบ

UR AI Trainer ใช้รูปแบบการฝึกแบบผู้นำ-ผู้ตาม ผู้ปฏิบัติงานจะควบคุมหุ่นยนต์ผู้นำให้ทำงานตามลำดับขั้น ขณะที่ระบบบันทึกข้อมูลการเคลื่อนไหว แรง และภาพ ข้อมูลที่รวบรวมได้จะถูกนำมาจัดทำเป็นชุดข้อมูล Vision-Language-Action เพื่อใช้ฝึกหุ่นยนต์เพิ่มเติม

จากนั้นหุ่นยนต์ผู้ตามสามารถทำซ้ำการทำงานที่เรียนรู้ได้โดยไม่ต้องเขียนโปรแกรมด้วยตนเอง ซึ่งช่วยลดเวลาทางวิศวกรรมและเพิ่มความสม่ำเสมอระหว่างเซลล์หุ่นยนต์ แนวทางนี้ยังช่วยให้ติดตั้งระบบอัตโนมัติแบบหลายหุ่นยนต์ได้รวดเร็วยิ่งขึ้น

การเขียนโปรแกรมหุ่นยนต์ด้วย AI สำหรับระบบอัตโนมัติในภาคอุตสาหกรรม

UR AI Trainer ถือเป็นก้าวหนึ่งสู่การฝึกแบบเครื่องจักรต่อเครื่องจักรในงานหุ่นยนต์อุตสาหกรรม โมเดล AI สามารถปรับเส้นทางการเคลื่อนไหวให้เหมาะสม รักษาสมดุลระหว่างความเร็วกับความแม่นยำ และปรับตัวให้เข้ากับสภาพแวดล้อมการผลิตที่เปลี่ยนแปลงได้ ช่วยลดการพึ่งพาการเขียนโปรแกรมด้วยทีชเพนแดนต์และทำให้การเริ่มใช้งานระบบง่ายขึ้น

การประมวลผลส่วนใหญ่ทำงานบนแพลตฟอร์มคอมพิวเตอร์ AI ภายนอก แทนที่จะทำงานบนตัวควบคุมหุ่นยนต์ สถาปัตยกรรมนี้ช่วยให้รองรับความสามารถ AI ขั้นสูงได้โดยไม่เพิ่มความซับซ้อนของฮาร์ดแวร์ และรองรับการติดตั้งใช้งานในวงกว้างกับระบบอัตโนมัติหลายระบบ

การประยุกต์ใช้ในระบบอัตโนมัติภาคอุตสาหกรรม

UR AI Trainer รองรับระบบอัตโนมัติสำหรับงานประกอบ การดูแลเครื่องจักร และการจัดการวัสดุ โดยเหมาะเป็นพิเศษกับงานที่ต้องควบคุมโดยรับรู้แรง เช่น การสอดใส่ การขัดเงา และการบรรจุภัณฑ์ สภาพแวดล้อมการทำงานร่วมกับหุ่นยนต์ยังได้รับประโยชน์จากความสามารถด้านการเคลื่อนไหวที่ชาญฉลาดยิ่งขึ้นและการโต้ตอบแบบปรับตัวได้

เกี่ยวกับผู้เขียน

Lin Haoyu รายงานข่าวด้านระบบอัตโนมัติในภาคอุตสาหกรรม หุ่นยนต์ และเทคโนโลยีการผลิตที่ขับเคลื่อนด้วย AI