Afval herkennen als afval en goederen onderscheiden als sorteerbare artikelen: Swisslog en Kuka willen robotprogrammering en de juiste selectie van voedsel en andere producten in grote magazijnen vereenvoudigen met behulp van kunstmatige intelligentie. Opmerkelijke resultaten zijn mogelijk, maar sommige dingen zouden waarschijnlijk eenvoudiger kunnen.

"Het programmeren van een robot voor een specifieke taak is nog grotendeels voorbehouden aan experts", zegt Roland Ritter, Platform Program Manager Simulation bij Kuka. "Daarom werken we aan een AI-chatbot die een eenvoudig spraakcommando vertaalt naar programmeercode." Aan de hand van het commando "Pak de onderdelen één voor één en plaats ze in een U-vorm op de tafel" genereert het AI-model vervolgens de code waarmee de robot precies dat doet.

Ritter maakt deel uit van een team dat een AI-chatbot ontwikkelt voor de Kuka-robottaal. Samen met Niklas Goddemeier, hoofd ontwikkeling bij Swisslog en AI-expert op het gebied van robotgestuurd orderverzamelen in de voedingsmiddelen-, farmaceutische en elektronicasector, zal hij vragen beantwoorden van twintig deelnemers tijdens een virtuele persconferentie.

Vanuit Zwitsers perspectief ligt de focus vooral op data-analyse en voorspellend onderhoud, AI-algoritmen voor magazijnoptimalisatie, het verlagen van operationele kosten en het oplossen van personeelstekorten. Als het gaat om het implementeren van instructies voor de machine, zegt Ritter, blijkt vaker wel dan niet dat "de eerste actie niet is wat je verwacht". Enerzijds belooft het effectieve gebruik van AI dat grijpers en robotarmen geen "inleerproces" meer nodig hebben om hun taak uit te voeren – bijvoorbeeld het oppakken van de juiste artikelen uit een doos met verschillende producten. Anderzijds vereist zelfs hier de implementatie van de verbale instructie wel degelijk training om te begrijpen wat er bedoeld wordt en wat de robot moet grijpen.

Een eenvoudig voorbeeld: het apparaat moet kubussen uit een doos halen, ze zonder voorafgaande training op een stuk papier plaatsen en vervolgens, als test, alle kubussen naar links verplaatsen. "Ik zou het ook in het Engels in het menu kunnen schrijven", zegt Ritter tijdens de demonstratie, die grafisch op het scherm en via een "live" camera wordt weergegeven. Hij zou in dit stadium – net als bij "Alexa" – het resultaat, samen met de bijbehorende volgcode, zelfs al kunnen overdragen naar het besturingssysteem van de robotarm.

Foto's: Swisslog/Kuka

Niklas Goddemeier, die op afstand deelneemt vanuit het Swisslog-kantoor in Dortmund, demonstreert "Artikelverzameling" als een uitstekend voorbeeld van het leerproces. Klanten van Swisslog, zoals Rewe, DM of bedrijven in de farmaceutische industrie, hebben gemiddeld tienduizenden verschillende producten in hun assortiment, verpakt in zakken, dozen of zelfs zonder buitenverpakking. "Elke dag moeten deze diverse artikelen worden verzameld, oftewel samengesteld voor een klant- of leveringsorder – en idealiter zonder fouten", zegt hij.

 Niet alle mogelijkheden kunnen vooraf worden geprogrammeerd. De kernbegrippen hier, in hun experimentele karakter, zijn "de oplossingsruimte beheersbaar maken", "de grijpsuccesratio verhogen" en materialen en het gewenste item duidelijk scheiden van "afval". Fouten moeten automatisch binnen de context worden gecorrigeerd. Binnenin de doos heerst zichtbare chaos. Shampoo flessen, schroevendraaiers, een stuk karton – allemaal om de machine te testen. De robot selecteert plichtsgetrouw het juiste hulpstuk voor zijn grijper en sorteert het materiaal in verschillende compartimenten. Het stuk karton wordt door een zuiggrijper opgetild en in een afvalbak naast het werkoppervlak geplaatst. Zelfs het bouwen van pallets lijkt geen probleem meer te vormen.

Een deelnemer vraagt ​​of wat er gedemonstreerd wordt "al in de praktijk wordt toegepast", of "ben je er nog mee bezig?". Zouden spontaan geformuleerde zinnen – dat wil zeggen, zinnen die "uit de losse pols" worden uitgesproken – ook mogelijk zijn? Ritter moet toegeven dat alles nog in ontwikkeling is. De AI moet in ieder geval in eerste instantie leren hoe en in welke vorm vragen gesteld worden of gesteld kunnen worden. "We zijn bezig met het aanleren van de syntaxis en het trainen van taalmodellen." Dit wordt interessant wanneer je niet alleen met een robot te maken hebt, maar ook direct een transportsysteem wilt opstarten. Aanloophoeken en -posities moeten dan geprogrammeerd worden.

Enkele jaren geleden werd een handmatige "inleerprocedure" nog uitgevoerd met de robotarm tegen de hand. De AI moet als het ware eerst zijn plaats "vaststellen" voordat hij begrijpt wat hij doet. Dit maakt echter een flexibelere inzet mogelijk en de ontwikkeling van meer uitgebreide scenario's voor het object. Momenteel vindt dit alles nog plaats in een gesimuleerde omgeving. Intussen controleert een digitale tweeling of het door de AI gegenereerde robotprogramma foutloos is.

www.swisslog.ch / www.kuka.com