• Google DeepMinds AI-system RoboBallet planerar automatiskt hur industrirobotar ska utföra sina uppgifter, en process som tidigare krävt hundratals till tusentals timmar manuell programmering.
• Systemet kan beräkna rörelsemönster för åtta robotar som utför 40 uppgifter på några sekunder, jämfört med traditionella metoder som är praktiskt omöjliga att använda vid denna komplexitet.
• RoboBallet har testats på verkliga robotar och visar samma resultat som i simuleringar.

Tre problem samtidigt

Att planera industrirobotars arbete innebär att lösa tre olika problem: fördela uppgifter mellan robotar, bestämma i vilken ordning de ska utföras och planera rörelser så att robotarmarna inte krockar. Matthew Lai, forskningsingenjör på Google DeepMind, säger att det finns verktyg för att automatisera rörelseplanering, men att uppgiftsfördelning och schemaläggning vanligtvis görs manuellt, skriver ArsTechnica.

Lais team började med att skapa simulerade arbetsceller, områden där robotteam arbetar på en produkt. Cellerna innehöll upp till åtta slumpmässigt placerade Franka Panda-robotarmar med 7 frihetsgrader. Robotarna skulle utföra upp till 40 uppgifter på ett arbetsstycke av aluminiumstag. Varje uppgift krävde att robotarmens verktyg kom inom 2,5 centimeter från rätt plats på rätt stag, närmade sig från korrekt vinkel och stannade stilla ett ögonblick.

Teamet placerade slumpmässiga hinder i varje arbetscell som robotarna var tvungna att undvika. "Vi valde att arbeta med upp till åtta robotar eftersom detta är ungefär det maximala för att packa robotar tätt utan att de blockerar varandra hela tiden", förklarar Lai. Att tvinga robotarna att utföra 40 uppgifter ansåg teamet också vara representativt för verkliga fabriker.

Grafnätverk löser komplexiteten

Lai och hans kollegor omvandlade problemet till grafer. Grafer består av noder och kopplingar. Saker som robotar, uppgifter och hinder behandlades som noder. Relationer mellan dem kodades som en- eller dubbelriktade kopplingar. Enriktade kopplingar förenade robotar med uppgifter och hinder eftersom robotarna behövde information om var hindren fanns och om uppgifterna var slutförda. Dubbelriktade kopplingar förenade robotarna med varandra, eftersom varje robot behövde veta vad de andra robotarna gjorde vid varje tidssteg för att undvika kollisioner eller dubbelarbete.

För att läsa och förstå graferna använde teamet grafneurala nätverk, en typ av artificiell intelligens som extraherar relationer mellan noderna genom att skicka meddelanden längs kopplingarna. Detta gjorde det möjligt för forskarna att designa ett system som fokuserade på att hitta de mest effektiva sätten att slutföra uppgifter samtidigt som hindren navigerades. Efter några dagars träning på slumpmässigt genererade arbetsceller med en enda Nvidia A100 GPU kunde RoboBallet beräkna banor genom komplexa miljöer på några sekunder.

Skalbarhet är nyckeln

Problemet med att använda traditionella beräkningsmetoder för att hantera robotar på en fabrik är att beräkningarnas komplexitet växer exponentiellt med antalet objekt i systemet. Att beräkna optimala banor för en robot är relativt enkelt. För två robotar är det betydligt svårare. När antalet växer till åtta blir problemet praktiskt omöjligt att lösa.

Med RoboBallet växer beräkningarnas komplexitet också med systemets komplexitet, men i mycket långsammare takt. Beräkningarna växer linjärt med antalet uppgifter och hinder, och kvadratiskt med antalet robotar. Enligt teamet gör detta systemet användbart för industrin.

Teamet beräknade de mest optimala uppgiftsfördelningarna, schemana och rörelserna i några förenklade arbetsceller och jämförde dem med resultat från RoboBallet. När det gäller körtid, den mest viktiga måttstocken inom tillverkning, kom AI:n mycket nära vad mänskliga ingenjörer kunde göra. Den var inte bättre än de var, den gav bara ett svar snabbare.

Teamet testade också RoboBallets planer på en verklig uppsättning av fyra Panda-robotar som arbetade på ett aluminiumstycke. De fungerade lika bra som i simuleringar.

Omdesign i realtid

Eftersom RoboBallet arbetar snabbt skulle det vara möjligt för en designer att prova olika layouter och olika placeringar av robotar i nästan realtid, säger Lai. På så sätt skulle ingenjörer på fabriker kunna se exakt hur mycket tid de skulle spara genom att lägga till en robot i en cell eller välja en annan typ av robot. RoboBallet kan också omprogrammera arbetscellen direkt, vilket gör det möjligt för andra robotar att fylla i när en av dem går sönder.

Det finns fortfarande saker som behöver lösas innan RoboBallet kan komma till fabriker. Lai erkänner att teamet gjorde flera förenklingar. Den första var att hindren delades upp i kuber. Även arbetsstycket var kubiskt. Medan detta var representativt för hinder och utrustning på verkliga fabriker, finns det många arbetsstycken med mer organiska former.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.