آموزش رباتها در متاورس صنعتی مجهز به هوش مصنوعی
امین رضا کیفرگیر
- ۲۷ فروردین ۱۴۰۵
آموزش مجازی و مبتنی بر هوش مصنوعی باعث میشود رباتها سریعتر کار کنند و دورهای انعطافپذیرتر از اتوماسیون را ممکن میسازد.
زمین شلوغ کارخانههای تولیدی فردا را تصور کنید؛ رباتهایی که از طریق آموزش تطبیقی هوش مصنوعی در چندین حوزه تخصص یافتهاند، بهطور روان و ایمن در کنار انسانها کار میکنند. این رباتها میتوانند بدون مشکل بین وظایف مختلف جابجا شوند؛ از مونتاژ قطعات الکترونیکی پیچیده تا مونتاژ ماشینآلات سنگین. آموزش منحصربهفرد هر ربات به آن اجازه میدهد نیازهای نگهداری را پیشبینی کند، مصرف انرژی را بهینهسازی کند و فرایندها را به صورت لحظهای نوآوری کند. همه اینها با تکیه بر تحلیل دادههای بلادرنگ و تجربیات کسب شده در دنیای دیجیتال خود.
آموزش چنین رباتهایی در یک مدرسه مجازی انجام میشود، محیطی شبیهسازی شده و دقیق در متاورس صنعتی. در این محیط، رباتها مهارتهای پیچیده را در بازههای زمانی بسیار کوتاه یاد میگیرند و در عرض چند ساعت چیزی را میآموزند که برای انسانها ممکن است ماهها یا حتی سالها طول بکشد.
فراتر از برنامهنویسی سنتی
آموزش رباتهای صنعتی زمانی شبیه مدرسه سنتی بود؛ سختگیرانه، قابل پیشبینی و محدود به تکرار مداوم یک کار خاص. اما اکنون در آستانه عصر جدیدی هستیم. رباتها میتوانند در کلاسهای مجازی، محیطهای غوطهور در متاورس صنعتی که از شبیهسازی، دوقلوهای دیجیتال و هوش مصنوعی برای تقلید دقیق شرایط واقعی استفاده میکنند یاد بگیرند. این جهان دیجیتال میتواند یک زمین آموزشی تقریباً بیپایان فراهم کند که کارخانهها، انبارها و خطوط تولید واقعی را بازآفرینی میکند و به رباتها اجازه میدهد وظایف را تمرین کنند، با چالشها روبهرو شوند و مهارتهای حل مسئله توسعه دهند.
کاری که زمانی روزها یا هفتهها برنامهنویسی واقعی برای آن لازم بود، اکنون در چند ساعت در فضاهای مجازی قابل یادگیری است. این رویکرد که به آن «شبیهسازی تا واقعیت» (Sim2Real) گفته میشود، آموزش مجازی را با کاربرد واقعی ترکیب میکند و فاصله بین یادگیری شبیهسازی شده و عملکرد واقعی را پر میکند.
اگرچه متاورس صنعتی هنوز در مراحل اولیه خود است، اما پتانسیل آن برای بازتعریف آموزش رباتها واضح است و این روشهای جدید ارتقای مهارت، انعطافپذیری بیسابقهای را ممکن میسازد.
شرکت ایتالیایی اتوماسیون EPF متوجه شد که هوش مصنوعی کل رویکرد شرکت در توسعه رباتها را تغییر داده است. «فرانکو فیلیپی»، رئیس هیئت مدیره و مدیرعامل EPF میگوید: «استراتژی توسعه خود را از طراحی کل راهحلها از ابتدا به توسعه مؤلفههای ماژولار و انعطافپذیر تغییر دادیم که میتوانستند برای ایجاد راهحلهای کامل ترکیب شوند. این باعث هماهنگی و انطباق بیشتر در بخشهای مختلف شد.»
یادگیری از طریق عمل
مدلهای هوش مصنوعی زمانی قدرت میگیرند که روی حجم وسیعی از دادهها آموزش ببینند. در رباتیک، با این حال، این رویکرد نیازمند صدها ساعت زمان ربات و نظارت انسانی برای آموزش یک وظیفه است. حتی سادهترین دستور، مانند «یک بطری بردار» میتواند بسته به شکل، رنگ و محیط بطری نتایج متفاوتی داشته باشد. در نتیجه، آموزش به حلقهای خسته کننده تبدیل میشود که بازده قابل توجهی برای زمان صرفشده ندارد.
ساخت مدلهای هوش مصنوعی که بتوانند تعمیم پیدا کنند و بدون توجه به محیط، یک وظیفه را با موفقیت انجام دهند کلید پیشرفت در رباتیک است. پژوهشگرانی از دانشگاه نیویورک، متا و Hello Robot مدلهای کارکردی ربات را معرفی کردهاند که بدون آموزش اضافی، با ۹۰٪ موفقیت وظایف پایه را در محیطهای ناشناخته انجام میدهند. مدلهای زبانی بزرگ در ترکیب با بینایی ماشین، بازخورد مستمر به ربات میدهند تا موفقیت انجام وظیفه را ارزیابی کند. این حلقه بازخورد فرایند یادگیری را با ترکیب چندین تکنیک هوش مصنوعی سرعت میبخشد و از چرخههای آموزشی تکراری جلوگیری میکند.
شرکتهای رباتیک اکنون سیستمهای پیشرفته ادراکی را پیادهسازی میکنند که قادر به آموزش و تعمیم در حوزهها و وظایف مختلف هستند. برای مثال، EPF با زیمنس همکاری کرد تا هوش مصنوعی بصری و شناسایی اشیاء را در رباتیک خود ادغام کند و راهحلهایی ایجاد کند که بدون بازپیکربندی مکانیکی، با هندسههای محصول و شرایط محیطی متنوع سازگار شوند.
یادگیری از طریق تصور
کمبود دادههای آموزشی محدودیت بزرگی برای هوش مصنوعی، به ویژه در رباتیک است. با این حال، نوآوریهایی که از دوقلوهای دیجیتال و دادههای مصنوعی برای آموزش رباتها استفاده میکنند، پیشرفت قابلتوجهی نسبت به روشهای پرهزینه قبلی ایجاد کردهاند.
برای مثال، SIMATIC Robot Pick AI از زیمنس، چشمانداز سازگاری را گسترش داده و رباتهای صنعتی استاندارد که زمانی محدود به وظایف تکراری و سخت بودند را به ماشینآلات پیچیده تبدیل کرده است. این رباتها با دادههای مصنوعی، شبیهسازیهای مجازی شکلها، مواد و محیطها آموزش میبینند تا وظایف غیرقابل پیشبینی مانند برداشتن اقلام ناشناخته از سطلهای بههمریخته را با دقت بیش از ۹۸٪ انجام دهند. هنگام بروز خطا، سیستم یاد میگیرد و از بازخورد واقعی بهبود مییابد. نکته مهم این است که این فقط محدود به یک ربات نیست؛ بهروزرسانیهای نرمافزاری در کل ناوگان اعمال میشوند و رباتها را به شکلی انعطافپذیرتر برای پاسخگویی به تقاضای تولید سازگار ارتقا میدهند.
مثال دیگر، شرکت رباتیک ANYbotics است که مدلهای سهبعدی از محیطهای صنعتی ایجاد میکند که بهعنوان دوقلوهای دیجیتال محیطهای واقعی عمل میکنند. دادههای عملیاتی مانند دما، فشار و نرخ جریان در این مدلها ادغام میشوند تا نسخههای مجازی از تأسیسات فیزیکی ایجاد شود که رباتها میتوانند در آن آموزش ببینند. برای مثال، یک نیروگاه میتواند از نقشههای سایت خود برای تولید شبیهسازی وظایف بازرسی که رباتها باید در تأسیسات انجام دهند استفاده کند. این امر آموزش و استقرار رباتها را تسریع کرده و امکان عملکرد موفق آنها با حداقل راهاندازی در محل را فراهم میکند.
شبیهسازی همچنین امکان چندبرابر کردن تقریباً بدون هزینه رباتها برای آموزش را فراهم میکند. «پتر فانکهاوزر»، مدیرعامل و همبنیانگذار ANYbotics میگوید: «در شبیهسازی، میتوانیم هزاران ربات مجازی ایجاد کنیم تا وظایف را تمرین کرده و رفتار آنها را بهینه کنند. این به ما امکان میدهد زمان آموزش را تسریع کرده و دانش را بین رباتها به اشتراک بگذاریم.»
چون رباتها باید محیط خود را صرفنظر از جهت یا نورپردازی درک کنند، ANYbotics و شریک آن Digica روشی برای تولید هزاران تصویر مصنوعی برای آموزش رباتها ایجاد کردند. با حذف کار طاقتفرسای جمعآوری تعداد زیادی تصویر واقعی از کف کارخانه، زمان لازم برای آموزش رباتها بهطور قابل توجهی کاهش مییابد.
به همین ترتیب، زیمنس از دادههای مصنوعی برای تولید محیطهای شبیهسازی شده استفاده میکند تا مدلهای هوش مصنوعی را قبل از استقرار در محصولات فیزیکی آموزش و اعتبارسنجی کند. «وینچنزو دِ پاولا»، سرپرست پروژه زیمنس میگوید: «با استفاده از دادههای مصنوعی، تغییراتی در جهتگیری اشیاء، نورپردازی و عوامل دیگر ایجاد میکنیم تا اطمینان حاصل کنیم هوش مصنوعی در شرایط مختلف به خوبی سازگار شود. ما همه چیز را از نحوه جهتگیری قطعات تا شرایط نور و سایه شبیهسازی میکنیم. این امکان را به مدل میدهد که در سناریوهای متنوع آموزش ببیند و توانایی پاسخگویی دقیق در دنیای واقعی را افزایش دهد.»
دوقلوهای دیجیتال و دادههای مصنوعی درمانی مؤثر برای کمبود داده و هزینه بالای آموزش رباتها بودهاند. رباتهایی که در محیطهای مصنوعی آموزش میبینند، میتوانند سریع و کمهزینه برای مواجهه با طیف وسیعی از موقعیتها و سناریوهای دیداری آماده شوند. دِ پاولا میگوید: «ما مدلهای خود را در این محیط شبیهسازی شده اعتبارسنجی میکنیم قبل از اینکه آنها را به صورت فیزیکی مستقر کنیم. این رویکرد به ما امکان میدهد هر مسئله احتمالی را زود شناسایی کرده و مدل را با کمترین هزینه و زمان اصلاح کنیم.»
تأثیر این فناوری میتواند فراتر از آموزش اولیه رباتها باشد. اگر دادههای عملکرد واقعی ربات برای بهروزرسانی دوقلوی دیجیتال آن و تحلیل بهینهسازیهای ممکن استفاده شود، میتواند چرخهای پویا از بهبود ایجاد کند تا بهطور سیستماتیک یادگیری، توانمندیها و عملکرد ربات را در طول زمان ارتقا دهد.
ربات تحصیلکرده در حال کار
با قدرت گرفتن هوش مصنوعی و شبیهسازی، عصر جدیدی در آموزش رباتها آغاز میشود و سازمانها از مزایای آن بهرهمند میشوند. دوقلوهای دیجیتال به شرکتها امکان میدهند رباتهای پیشرفته را با زمان راهاندازی بسیار کوتاه مستقر کنند و قابلیت تطبیقپذیری سیستمهای بینایی مجهز به هوش مصنوعی، تغییر خطوط تولید را برای پاسخ به تقاضای بازار آسانتر میکند.
روشهای جدید آموزش رباتها، سرمایهگذاری در این حوزه را نیز با کاهش ریسک متحول میکنند. دِ پاولا میگوید: «این یک تغییر بازی است. مشتریان ما اکنون میتوانند راهحلهای رباتیک مجهز به هوش مصنوعی را بهعنوان سرویس ارائه دهند، با دادهها و مدلهای اعتبارسنجی شده پشتیبانی میشوند. این به آنها اعتماد به نفس میدهد وقتی راهحلهای خود را به مشتریان ارائه میکنند، زیرا هوش مصنوعی بهطور گسترده در محیطهای شبیهسازیشده آزمایش شده است.»
فیلیپی تصور میکند این انعطافپذیری امکان میدهد رباتهای امروز محصولات فردا را بسازند. او میگوید: «نیاز در یک یا دو سال آینده پردازش محصولاتی خواهد بود که امروز شناخته شده نیستند. با دوقلوهای دیجیتال و این محیط دادهای جدید، امکان طراحی امروز ماشینی برای محصولاتی که هنوز شناخته شده نیستند، وجود دارد.»
«فانکهاوزر» این ایده را یک گام فراتر میبرد: «انتظار دارم رباتهای ما به حدی هوشمند شوند که بتوانند بهطور مستقل مأموریتهای خود را بر اساس دانش انباشته از دوقلوهای دیجیتال ایجاد کنند. امروز، انسان هنوز هدایت اولیه ربات را انجام میدهد، اما در آینده، آنها استقلال خواهند داشت تا خودشان وظایف را شناسایی کنند.»
