Kunstmatige Intelligentie (AI) biedt grote mogelijkheden voor robotica, met een scala aan voordelen in uiteenlopende sectoren als productie en gezondheidszorg. Hoewel AI reeds zijn intrede doet in de robotica, gebeurt dit in een veel trager tempo en in een veel beperkter toepassingsgebied dan algemeen wordt aangenomen. Dit artikel geeft een overzicht van de meest voorkomende toepassingen van Kunstmatige Intelligentie in de robotica die momenteel commercieel worden gebruikt en geeft een overzicht van het marktpotentieel in de komende 5 tot 10 jaar.
Het belangrijkste doel van het gebruik van Kunstmatige Intelligentie in de robotica is om beter beheren van variabiliteit en onvoorspelbaarheid in de externe omgeving, hetzij in real-time, hetzij offline. Dit biedt voordelen voor fabrikanten, logistieke dienstverleners en detailhandelaren die te maken hebben met vaak wisselende producten, orders en voorraden in zogenaamde “high mix/low volume”-omgevingen. Het helpt robots ook te functioneren in openbare omgevingen – van supermarkten tot ziekenhuizen – die van nature onvoorspelbaar zijn.
Kunstmatige Intelligentie is niet noodzakelijkerwijs een voorwaarde om met variabiliteit en onvoorspelbaarheid om te gaan. Eenvoudige pick-and-place-toepassingen met variatie in productplaatsing, maar niet in het product zelf, kunnen bijvoorbeeld worden gerealiseerd zonder AI. Ook voor robotmobiliteit is geen AI nodig. Hoe groter echter de variabiliteit en onvoorspelbaarheid van de omgeving, hoe waarschijnlijker het is dat AI-algoritmen een kosteneffectieve en snelle oplossing bieden – bijvoorbeeld voor fabrikanten of groothandelaars die te maken hebben met miljoenen verschillende producten die regelmatig veranderen. AI is ook nuttig in omgevingen waarin mobiele robots onderscheid moeten maken tussen de voorwerpen of mensen die ze tegenkomen en anders moeten reageren.
Pick-and-place-toepassingen zijn de meest gebruikte vorm van sense-and-respondetoepassingen in productie en logistiek. Pick-and-place omvat een brede waaier van toepassingen waaronder palletiseren, verpakken en machinebesturing. Andere fabricagetoepassingen die zich in een zeer vroege fase van AI-gebruik bevinden, zijn assemblage en lassen.
Kunstmatige Intelligentie in de robotica heeft een aanzienlijk potentieel om het ontwerp en de programmering van robotautomatisering te versnellen, hoewel dit zich nog in een vroeg ontwikkelingsstadium bevindt. Kunstmatige Intelligentie kan helpen de totale kosten van de installatie en herprogrammering van een robottoepassing aanzienlijk te verlagen – volgens sommige deskundigen met 50%. Dit helpt automatisering economisch haalbaar te maken voor kleine tot middelgrote fabrikanten en grotere bedrijven met een grote variabiliteit.
Het gebruik van AI bij het ontwerpen en programmeren van robottoepassingen bevindt zich echter nog in een zeer vroeg stadium. Momenteel is de meest gevestigde toepassing voor prestatie-optimalisering de robotische kwaliteitsinspectie. Met Kunstmatige Intelligentie in de robotica kunnen fouten die voor mensen misschien niet detecteerbaar zijn, in elke fase van de productiecyclus worden opgespoord. Dit verbetert de productkwaliteit en beperkt ook verspilling tot een minimum omdat defecte onderdelen uit de lijn kunnen worden gehaald voordat er verder aan wordt gewerkt.
De productiesector en de logistieke sector lopen voorop bij het gebruik van Kunstmatige Intelligentie in robotica toepassingen. Er zijn echter snelle ontwikkelingen in het gebruik van AI in de gezondheidszorg en in robots voor professionele dienstverlening.
De veiligheid in robottoepassingen met AI wordt momenteel gewaarborgd door hard-gecodeerde, deterministische algoritmen die altijd voorrang hebben, zodat de robot stopt wanneer hij een obstakel tegenkomt. Dit kan veranderen naarmate AI alomtegenwoordiger wordt in de robotica, en onderzoekers zoeken momenteel naar manieren om het gebruik van ‘betrouwbare’ AI mogelijk te maken in veiligheidskritische onderdelen van robottoepassingen.
Er heerst veel verwarring over de rol van Kunstmatige Intelligentie in de robotica. Beelden uit Hollywoodfilms, van “Transformer” tot “Ex Machina”, schetsen een toekomst waarin robots een menselijke intelligentie en fysieke mogelijkheden hebben bereikt. Termen zoals “robotic process automation” worden gebruikt om softwareprogramma’s te beschrijven die geen fysieke robotcomponent hebben. En er is geen standaarddefinitie van welke algoritmen AI vormen.
Kunstmatige Intelligentie in de robotica staat nog in de kinderschoenen bij reële toepassingen in deze sector. Traditioneel zijn fabrikanten van auto’s en elektronica – de belangrijkste gebruikers van industriële robots – op zoek naar precisie, snelheid en voorspelbaarheid van hun robot. Voor het bereiken van deze kenmerken is geen Kunstmatige Intelligentie nodig. Fabrikanten werken echter steeds vaker in een omgeving met een hoge mate van variabiliteit en produceren kleine hoeveelheden van een groot aantal producten, die vaak op korte termijn worden besteld. Robots telkens opnieuw programmeren om ze aan te passen aan nieuwe productie- of verpakkingslijnen is een dure aangelegenheid. Intussen zijn robots niet langer in fabrieken, maar in openbare ruimten zoals ziekenhuizen en supermarkten te vinden. En logistieke robots, die onderdelen en pakjes halen en vervoeren in fabrieken en magazijnen, zijn in opkomst. Deze omgevingen worden gekenmerkt door een hoge mate van variabiliteit en onvoorspelbaarheid. AI kan hier aanzienlijke voordelen bieden, omdat robots zich dan in realtime kunnen aanpassen aan een veranderende externe omgeving zonder opnieuw te hoeven coderen. Kunstmatige Intelligentie begint ook te worden gebruikt bij het optimaliseren van procesontwerp en robotprogrammering en wordt steeds meer toegepast bij robot kwaliteitsinspectie.
Dit artikel gaat in op de meest voorkomende toepassingen van AI in commerciële robottoepassingen en bespreekt de markttrends. Het bespreekt ook veiligheidsnormen en regelgeving voor Kunstmatige Intelligentie in robotica.
Bestaande definities van Kunstmatige Intelligentie variëren in reikwijdte en er is geen standaard. Zo definiëren de onderzoekers Stuart Russell en Peter Norvig AI als “een intelligente agent, waarbij “agent” staat voor een softwaresysteem dat zijn omgeving waarneemt via sensoren en op die omgeving reageert via actuatoren, en “intelligentie” staat voor het vermogen om een actie te kiezen waarvan verwacht wordt dat zij een prestatiemaatregel maximaliseert.
De Europese Commissie daarentegen definieert AI als “systemen die intelligent gedrag vertonen door hun omgeving te analyseren en – met een zekere mate van autonomie – acties te ondernemen om specifieke doelen te bereiken”.
Er bestaat ook geen overeenstemming over welke algoritmen of methoden AI vormen. Een deel van de moeilijkheid bij het vaststellen van een concrete definitie is dat AI-algoritmen en -modellen (zoals neurale netwerken) een combinatie zijn van wiskundige functies die, op zichzelf beschouwd, als “traditionele” algoritmen kunnen worden beschouwd. Op een bepaald punt, wanneer deze functies worden gecombineerd – zoals in een neuraal netwerk – bereiken zij een niveau van autonomie dat als AI kan worden aangemerkt, of zij kunnen eenvoudigweg worden beschouwd als een combinatie van traditionele wiskundige functies.
Men is het er algemeen over eens dat machinaal leren als AI geldt. In tegenstelling tot een deterministisch algoritme leert en verbetert een machine-learning algoritme zichzelf door ervaring. Er is minder overeenstemming over de vraag welke algoritmen voor andere gebieden, zoals redeneren en beslissen, padplanning en optimalisering van prestaties tellen als AI. De definities zijn in de loop van de tijd veranderd. Algoritmen die twintig jaar geleden als AI werden beschouwd, zijn dat nu niet meer, wat leidt tot de grap onder AI-deskundigen dat “AI gewoon algoritmen zijn die we nog niet begrijpen”.
Binnen de categorie van machinaal leren, verwijzen we naar vier types die hieronder worden beschreven:
Robotdefinities worden door de Internationale Organisatie voor Normalisatie (ISO) gegeven in ISO 8373-20213. De IFR maakt hoofdzakelijk een onderscheid tussen industriële robots en dienstrobots. Mobiele robots worden beschouwd als een subgroep van dienstrobots, met inbegrip van robots die in productieomgevingen worden gebruikt.
Het belangrijkste doel van het gebruik van Kunstmatige Intelligentie in robotica is beter om te gaan met variabiliteit en onvoorspelbaarheid in de externe omgeving, hetzij in real time, hetzij offline.
Het is belangrijk op te merken dat:
Tot voor kort waren de meeste robots hard gecodeerd om een taak uit te voeren volgens een vooraf bepaald traject en met een vooraf bepaald krachtniveau. Deze robots zijn zich niet bewust van hun externe omgeving. Dit betekent dat het object waar de robot aan werkt (zoals een auto-onderdeel) altijd in precies dezelfde positie moet worden aangeboden, en dat de robot niet in staat is zijn kracht of beweging aan te passen – bijvoorbeeld om te stoppen als iets of iemand hem in de weg staat.
In het afgelopen decennium hebben “cobots”, met ingebouwde of toegevoegde kracht-krachtsensoren, robots een beperkt vermogen gegeven om hun externe omgeving waar te nemen en erop te reageren. Zo kunnen cobots bewegingen in een bepaalde zone herkennen en hun snelheid dienovaereenkomstig aanpassen – of stoppen. Dit heeft het mogelijk gemaakt robots te integreren in productielijnen naast mensen.
Kracht-koppelsensoren stellen cobots ook in staat zich aan te passen aan kleine variaties in de externe omgeving – bijvoorbeeld het aanpassen van kracht en aan een flexibel onderdeel of in een schuurproces waar de benodigde hoeveelheid kracht tijdens het proces afneemt naarmate het oppervlak gladder wordt.
De afgelopen vijf jaar is de ontwikkeling van autonome robots die zich aan veel grotere variabiliteit in hun externe omgeving kunnen aanpassen, sterk toegenomen. We kunnen autonome mobiele robots niet alleen stoppen als ze een voorwerp op hun weg tegenkomen, ze kunnen ook hun route opnieuw plannen en hun pad in realtime aanpassen. Autonomie vereist niet noodzakelijkerwijs Kunstmatige Intelligentie . Hoe hoger het niveau van autonomie, hoe groter echter de kans dat AI-algoritmen worden ingezet om een onbekende omgeving te categoriseren en te bepalen wat de beste manier van interactie met die omgeving is om het doel van de toepassing te bereiken (bijvoorbeeld een fles uit een ongesorteerde bak oppakken en in een rek plaatsen).
In dit deel bekijken we enkele van de meest voorkomende toepassingen van Kunstmatige Intelligentie in robotica bij commercieel gebruik. We maken een onderscheid tussen twee soorten toepassingen:
Dit omvat toepassingen waarbij de robot in realtime zijn externe omgeving identificeert en erop reageert om een bepaalde taak uit te voeren.
Het onderdeel “sensing” vereist sensoren op de robot en/of externe sensoren en kan camera’s omvatten om de robot te helpen zichzelf te lokaliseren of een voorwerp dat hij moet manipuleren. Hier worden meestal algoritmen voor machinaal leren in een of andere vorm gebruikt. Het onderdeel “reageren” omvat doorgaans een soort redeneer- en besluitvormingsalgoritmen om de beste handelwijze te bepalen – zoals de juiste kracht en grijppositie om een voorwerp op te pakken, en het juiste pad om het op de juiste manier op de plaats van bestemming te brengen. Deze algoritmen kunnen al dan niet van AI zijn – of zullen zeer waarschijnlijk een combinatie zijn.
In het algemeen geldt dat hoe meer variabiliteit er is in de invoergegevens (“sensing”), hoe nuttiger AI zal zijn bij het plannen van de juiste reactie, zoals het juiste pad en de juiste kracht om een willekeurig geplaatst voorwerp te benaderen en vast te pakken. De algoritmen voor het waarnemen en reageren kunnen worden uitgevoerd op de robot of het robotsysteem (bijvoorbeeld een robot- en vision-systeem), of in een of andere vorm van hoger besturingssysteem, of in een mengeling van deze. Indien voor de reactie geen coördinatie met andere robots nodig is, kan het algoritme op de robot worden uitgevoerd.
Bij beslissingen waarbij meerdere robots betrokken zijn, zal het algoritme echter in het besturingssysteem worden uitgevoerd. Bij mobiele robots worden bijvoorbeeld vlootbeheersystemen gebruikt om groepen robots te besturen. Kunstmatige Intelligentie in de robotica kan in deze systemen worden gebruikt om te bepalen welke robot moet worden gestuurd om welke taak uit te voeren.
Hieronder volgen de meest voorkomende sense-and-response toepassingen.
Zoals de naam al doet vermoeden, moet een robot bij pick-and-place-toepassingen een voorwerp oppakken van de ene locatie en het op een andere locatie plaatsen. Dit kan worden gedaan met traditionele, deterministische programmering waarbij gebruik wordt gemaakt van exacte coördinaten als het op te pakken voorwerp altijd hetzelfde is, op dezelfde positie aankomt en op dezelfde positie wordt geplaatst, bijvoorbeeld op een toevoerband. Deterministisch programmeren kan ook worden gebruikt om voorwerpen te verzamelen die hetzelfde zijn, maar ongesorteerd.
Het ActivNav-systeem van Universal Robots maakt bijvoorbeeld gebruik van statistische matching om gelijksoortige, maar ongesorteerde onderdelen uit bakken te picken voor machinebelading. Het systeem gebruikt een CAD-model van het te verzamelen onderdeel als invoer. Onderhoudstechnici beoordelen de beste oppakpunten op basis van het voorwerp en het type grijper dat wordt gebruikt – een vacuümgrijper vereist bijvoorbeeld een oppakpunt waar de zuigkracht over het hele oppervlak van het oppakpunt kan worden uitgeoefend. ActiNav gebruikt een laserafstandsmeter om een puntenwolk te produceren waarmee het object kan worden geïdentificeerd. Wanneer een ongesorteerde bak aankomt, wordt een 3D-foto genomen en een puntenwolk gegenereerd. Statistische matching bepaalt de waarschijnlijkheid dat een potentieel object dat in de puntenwolk is geïdentificeerd, het object is dat moet worden geplukt. Algoritmen voor padplanning bepalen het beste pad voor de robotarm om het voorwerp te benaderen en op te rapen.
De algemene regel dat Kunstmatige Intelligentie in de robotica – in dit geval machinaal leren – voordelen biedt naarmate de mate van variabiliteit toeneemt, is hier van toepassing. Transparante, dunne of platte voorwerpen zijn bijvoorbeeld moeilijk te identificeren omdat de 3D-camera ze eerder als platte oppervlakken dan als 3D-objecten zal categoriseren. AI biedt ook voordelen in situaties in de productie, logistiek en detailhandel waar onderdelen (of pakjes) die moeten worden verzameld, gemengd en ongesorteerd in bakken liggen of telkens op een andere manier op pallets worden geladen.
Met AI kunnen visionsystemen ook de omtreklijnen van dicht op elkaar gepakte, vergelijkbare objecten correct identificeren, zoals verpakkingen met dezelfde kleur en hetzelfde oppervlak of oppervlakken met textuur, zoals hout. Tenslotte is AI nuttig in omgevingen met sterk wisselende lichtomstandigheden.
Binnen de ruime categorie van “pick-and-place” zijn er een aantal toepassingen die enigszins verschillende capaciteiten vereisen:
Ontwikkelingen op het gebied van machinaal leren stimuleren het gebruik van “sense-and-respond”-toepassingen.
Machine-learning algoritmen die sense-and-respond robottoepassingen aandrijven, maken een snelle ontwikkeling door. Aanvankelijk moesten algoritmen worden getraind op honderden of duizenden beelden van elk doelobject om het correct te kunnen herkennen. Dit is een tijdrovend proces dat een aanzienlijk deel van de kosten van de toepassing voor zijn rekening neemt. Telkens wanneer een nieuw product wordt geïntroduceerd, moet het algoritme opnieuw worden getraind met getagde voorbeelden. Dit is economisch niet haalbaar voor bedrijven met een grote productvariabiliteit – bijvoorbeeld groothandelaren met miljoenen producten, waarvan er vele dagelijks veranderen.
Aanbieders van AI-software en -systemen hebben daarom aanzienlijke ontwikkelingsinspanningen geleverd om algoritmen in staat te stellen te leren met minder of geen gelabelde voorbeelden. Dit wordt bereikt met semi-gesuperviseerde of zelfgesuperviseerde leermethoden. Semi-gesuperviseerd leren neemt een kleine reeks getagde beelden als basis, op basis waarvan het algoritme zichzelf traint. Zelfgestuurd leren is complexer en maakt gebruik van labels die al in de inputgegevens voorkomen (bijvoorbeeld specifieke geluiden of kleuren). De kennis die door de systeemintegrator of softwareleverancier wordt opgebouwd in hun pick-and-place-toepassingen, en door de eindgebruiker, breidt zich na verloop van tijd natuurlijk uit, waardoor de trainingstijd en de installatietijd van een op Kunstmatige Intelligentie gebaseerde pick-and-place-toepassing voor een specifiek domein, bijvoorbeeld verpakte levensmiddelen, korter worden.
Het uiteindelijke doel is een algoritme in staat te stellen snel te generaliseren op basis van wat het reeds heeft geleerd, door bestaande kennis toe te passen op het herkennen en manipuleren van nieuwe objecten. Hoe meer een algoritme bijvoorbeeld wordt blootgesteld aan voorwerpen met de naam “fles”, hoe sneller het flessen van verschillende vormen en materialen die het nog niet eerder is tegengekomen, kan herkennen en uit een gemengde vuilnisbak kan pakken, en daarbij de juiste kracht en greep kan uitoefenen. Training op verschillende voorwerpen, bijvoorbeeld kleding, kan ook het neurale netwerk (het onderliggende computermodel) voor flessen versterken, waardoor de “generaliseerbaarheid” van het algoritme toeneemt.
Hoewel we dus steeds meer generaliseerbare algoritmen (aangedreven door rijkere neurale netwerken) zullen zien, betekent dit niet dat AI-gestuurde robottoepassingen gemakkelijk kunnen worden overgezet van de ene omgeving – zoals vuilnisbakken verzamelen – naar een andere – zoals lassen. Robots bestaan uit veel verschillende hardware- en softwarecomponenten die moeten worden geïntegreerd, en robots zijn zelf typisch geïntegreerd met bedrijfsbrede systemen zoals wagenparkbeheer, bedrijfsresourceplanning, of productie-uitvoering. De interfaces tussen de onderdelen van de robot en externe systemen moeten allemaal worden geprogrammeerd of aangepast voor een nieuwe toepassing.
Pickingtechnologie boekt snelle vooruitgang, zowel wat snelheid als betrouwbaarheid betreft. Om economisch rendabel te zijn, moeten orderverzamelrobots sneller zijn dan menselijke werknemers, terwijl de meeste bedrijven een nauwkeurigheid van ongeveer 99,5% eisen. Het is voor robots nog steeds moeilijk om objecten die niet stijf zijn – bijvoorbeeld goederen in plastic verpakking, fruit en groenten in netten, of slappe materialen – te verzamelen met een nauwkeurigheid en snelheid die commercieel levensvatbaar zijn, maar we kunnen verwachten dat dit de komende 5 jaar zal veranderen.
Andere toepassingen die gebruik maken van Kunstmatige Intelligentie in de robotica gebruiken elementen van de hierboven beschreven pick-and-place-functionaliteit, aangepast aan de specifieke toepassingseisen.
Robots worden gebruikt om objecten van pallets te nemen bij aankomst, en om pallets en pakketten te laden met objecten voor verzending. Van oudsher worden robots gebruikt om objecten met standaardafmetingen te palletiseren en te de-pallettiseren, terwijl werknemers niet-standaardgoederen uitpakken en laden. Met behulp van AI-algoritmen voor objectherkenning en trajectplanning worden robots nu ook ingezet voor het palletiseren en ontpalletiseren van niet-standaard goederen. Het palletiseren van voorwerpen met een variabel gewicht is bijzonder lastig omdat het algoritme de beste plaatsingsvolgorde moet bepalen, zodat zwaardere voorwerpen, ook al zijn ze kleiner, op de onderste laag van een gemengde pallet worden geladen.
LQ Group, een bedrijf dat zich bezighoudt met fast moving consumer goods, gebruikt bijvoorbeeld AI-technologie van MechMind om goederen te ontpalletiseren en op een transportband te plaatsen. LQ ontvangt duizenden soorten dozen van verschillende afmetingen, kleuren, patronen, tinten, die kostbaar of onmogelijk individueel te programmeren zouden zijn. In de MechMind-oplossing stuurt het host-besturingssysteem, zodra de pallet op een bepaalde positie aankomt, de details van de dozen op de pallet, inclusief grootte, gewicht en hoeveelheden, naar de robot. Zodra de robot het aankomstsignaal van het hostsysteem ontvangt, activeert hij de camera om een foto te nemen en stuurt hij de foto door naar het vision-controlesysteem, dat de coördinaten en poses van de dozen combineert tot grijppunten. Deze worden vervolgens verwerkt door AI-algoritmen die instructies terugsturen naar de grijper van de robot, zoals het aantal zuignappen dat moet worden geactiveerd om een specifiek aantal dozen te pakken, welke specifieke dozen op dezelfde laag moeten worden gepakt en de coördinaten voor de positie van de doos wanneer deze op de transportband wordt gezet.
Ook Photoneo, leverancier van vision-systemen, gebruikt machinaal leren voor het ontpallettiseren van dozen van verschillende afmetingen, die dicht op elkaar kunnen zitten of glanzende oppervlakken kunnen hebben. De dozen kunnen individueel worden verzameld, in tegenstelling tot het traditionele proces van ontpalletisering, waarbij de inhoud van de pallet als één geheel wordt opgepakt en op de transportband wordt geplaatst. De pallet wordt gescand met een 3D-scanner en het algoritme, dat vooraf is getraind op 5.000 doosvormen, leert voortdurend nieuwe vormen die het tegenkomt. Een meer gesofisticeerd convolutioneel neuraal netwerk (CNN) algoritme kan worden gebruikt om dozen te herkennen met problematische oppervlakken, waaronder verschillende texturen, glanzend of reflecterend materiaal, uitstekende tapes, patronen, of dozen met zwarte bekleding, die ook problemen kunnen veroorzaken. Vervolgens wordt een commando gestuurd naar de robot die gebruik maakt van een speciaal ontwikkelde universele grijper waarmee hij kan picken met een nauwkeurigheid van +/-3 mm. Op die manier kan hij 1.000 dozen lossen in een uur, met een picknauwkeurigheid van 99,7%.
Kunstmatige Intelligentie kan worden gebruikt om robots in staat te stellen onderdelen vanuit ongesorteerde bakken naar machines te voeren en is bijzonder nuttig wanneer er sprake is van grote variabiliteit in de toepassingsomgeving, bijvoorbeeld verlichting, bakafmetingen en -positie en gemengde bakken.
Industriële robots worden veel gebruikt voor laswerkzaamheden wanneer de onderdelen hetzelfde zijn en de laspunten zich dus op dezelfde plaats bevinden. De automatisering van het lassen is echter van oudsher te kostbaar voor fabrikanten met een grote variabiliteit in onderdelen of producten. Machine learning kan worden gebruikt om de laspunten en het laspad te identificeren.
AI wordt ook beproefd in het assemblageproces in de productie. Assemblagetaken zoals het op hun plaats klikken van onderdelen, het lijmen van onderdelen of het plaatsen van een voorruit in een auto, worden doorgaans uitgevoerd met hard-gecodeerde parameters, maar AI kan worden gebruikt om deze taken in variabele omgevingen mogelijk te maken. Dezelfde technologie als die voor pick-and-place- en lastoepassingen kan worden toegepast om bijvoorbeeld de coördinaten te bepalen voor het op zijn plaats klikken van een onderdeel en de juiste baan en kracht te plannen.
Assemblagetaken zijn over het algemeen gecompliceerder dan pick-and-place en machinebesturing, en omvatten vaak meerdere stappen. Het is waarschijnlijk dat AI eerst zal worden toegepast op zeer specifieke taken binnen een assemblageproces, bijvoorbeeld om een robot in staat te stellen de exacte positie te bepalen voor het plaatsen van een schroef. IFR-leden denken dat het vijf tot tien jaar zal duren voordat AI op grotere schaal in assemblage zal worden toegepast.
Robots beginnen te worden gebruikt bij het recyclen van afvalmaterialen, waardoor de productiviteit toeneemt en werknemers worden behoed voor vervelende en vaak gevaarlijke taken. Sommige robots, zoals die van AMP Robotics, gebruiken Kunstmatige Intelligentie om voorwerpen in een transportband van gemengde voorwerpen te herkennen, zodat ze op soort afval kunnen worden gesorteerd.
Er is momenteel een hausse aan mobiele robots, met name autonome mobiele robots (AMR’s) die autonoom navigeren en worden gebruikt in een breed scala van industriesectoren, waaronder productie, logistiek, detailhandel en gezondheidszorg. Deze robots voeren een hele reeks taken uit, gaande van het ophalen en vervoeren van goederen en onderdelen in de productie, het vervoeren van beddengoed en medicijnen in ziekenhuizen, het traceren van voorraden in supermarkten en het fungeren als “mobiele assistenten” in winkels, ziekenhuizen en openbare ruimten, door informatie te verstrekken en interactie op afstand met specialisten mogelijk te maken.
Fabrikanten en logistieke dienstverleners met een grote productvariabiliteit en -omzet willen idealiter overstappen van vaste rekken – waar hetzelfde product op dezelfde plaats wordt opgeslagen – naar dynamische verpakkingsruimten waar de omvang van de verpakkingsruimte en de producten daarin voortdurend variëren en intelligente mobiele robots zijn de sleutel tot de verwezenlijking van deze visie.
Autonome navigatie betekent dat deze robots zichzelf lokaliseren binnen een kaart van hun omgeving en deze tegelijkertijd creëren of bijwerken. Ze gebruiken ook algoritmen voor padplanning om de beste route naar hun doelbestemming te bepalen. Kunstmatige Intelligentie is niet nodig voor autonome navigatie of routeplanning, maar AMR-aanbieders zoals MiR en Fetch Robotics bouwen AI in hun AMR’s in om obstakelherkenning en -reactie te verbeteren.
AMR’s gebruiken sensoren om te detecteren of zich een obstakel op hun pad bevindt, in welk geval ze zullen vertragen of stoppen. De snelheid van afremmen of stoppen is voor alle obstakels gelijk. Door gebruik te maken van 3D-camera’s en algoritmes voor machinaal leren kunnen AMR’s het voorwerp voor hen herkennen en hun reactie daarop afstemmen.
Bijvoorbeeld, de AMR zou stoppen en voorrang geven aan een automatisch geleid voertuig dat hem zou kunnen raken of een obstakel zou kunnen veroorzaken als het zou stoppen op het pad van de AMR. Anderzijds kan hij vertragen maar niet stoppen indien een mens nadert en in staat is om de AMR heen te lopen. Als hij een andere AMR herkent, kan hij de beweging van dat voertuig voorspellen en zijn eigen pad aanpassen, maar niet vertragen.
Academische onderzoekers kijken ook naar het gebruik van machine learning om de routeplanning te optimaliseren, maar dit is nog in een vroeg stadium.
Er is een ontluikende markt voor robots in de commerciële landbouw. Visionsystemen die gebruik maken van algoritmen voor machinaal leren zijn een essentieel onderdeel van veel landbouwrobotsystemen. Er zijn een aantal startende bedrijven in de precisielandbouw die zich richten op planten, wieden, water geven en het gericht toedienen van meststoffen en bestrijdingsmiddelen. Machine learning wordt gebruikt om onderscheid te maken tussen onkruid en planten, zodat alleen het onkruid door de robot wordt besproeid. Fabrikanten van deze systemen beweren dat precisiesproeien de koolstofuitstoot vermindert omdat 95% minder herbicide wordt gebruikt dan bij conventioneel sproeien, waarbij het hele beteelde areaal wordt besproeid.
Het gebruik van robots voor het oogsten van producten staat nog in de kinderschoenen, maar Kunstmatige Intelligentie speelt een sleutelrol. Oogsttoepassingen zijn een vorm van “pick and place”, behalve dat de producten niet langer in een bak zitten, maar ongestructureerd op een plant. Machine learning wordt gebruikt om de te oogsten producten te identificeren en om te bepalen of ze rijp zijn. AI wordt ook gebruikt voor de planning van het pad van de grijper van de robot, waardoor deze de producten met de juiste greep en kracht kan grijpen en in een bak of andere container kan plaatsen.
Robots doen steeds vaker hun intrede in openbare omgevingen zoals luchthavens, supermarkten en winkelcentra, ziekenhuizen en verzorgingstehuizen, waar ze een reeks ondersteunende functies vervullen. Robots in winkelruimten kunnen bijvoorbeeld productie-informatie verstrekken en winkelend publiek naar het juiste gangpad leiden voor het product in kwestie. Op luchthavens kunnen robots passagiers op de hoogte houden van gate-informatie en hen waar nodig door de luchthaven leiden. In ziekenhuizen kunnen robots consultaties op afstand mogelijk maken en eenvoudige diagnostische procedures uitvoeren, zoals het meten van de temperatuur of het zuurstofgehalte in het bloed. Bij al deze toepassingen zijn mobiele robots betrokken.
De mate waarin Kunstmatige Intelligentie in deze toepassingen wordt gebruikt, hangt af van de precieze functionaliteit die vereist is. Zelfs binnen één deeltaak zullen AI-algoritmen waarschijnlijk worden gecombineerd met traditionele algoritmen om de vereiste “sense-and-response”-functionaliteit te bereiken.
Als voorbeeld de persoonlijke assistentierobot Lio die bewoners en personeel van verzorgingstehuizen ondersteunt bij een aantal taken, zoals het begroeten van patiënten, het vastpakken en dragen van voorwerpen, het aanbieden van drankjes en het herinneren van patiënten aan, en hen begeleiden naar, komende afspraken.
Voor deze taken worden AI-algoritmen gebruikt als onderdeel van grotere programma’s om specifieke taken uit te voeren. De taak van het serveren van een drankje omvat bijvoorbeeld een aantal subfuncties waaronder: navigatie; obstakelvermijding; objectherkenning om onderscheid te maken tussen een persoon en een tafel; gezichtsherkenning om het juiste drankje aan de juiste bewoner te serveren; plaatsingstaken – herkennen en lokaliseren van de tafel waarop het drankje moet worden geplaatst, lokaliseren waar het drankje moet worden geplaatst en het plannen van het pad van de robotarm en; algemene gedragstaken zoals herstellen van ongeplande obstakels of activiteit.
F&P Robotics, dat de Lio heeft ontwikkeld, gebruikt Kunstmatige Intelligentie binnen sommige van deze subfuncties, maar niet voor alle. Zo worden bijvoorbeeld AI-algoritmen gebruikt in het model voor objectherkenning. Open-source, vooraf getagde objectmodellen worden gebruikt om het algoritme te trainen in het herkennen van gewone objecten zoals een persoon en een tafel, terwijl andere objecten specifiek voor de toepassing worden getraind, en de robot is geprogrammeerd om objecten die hij niet kan herkennen te negeren. AI wordt gebruikt voor gezichtsherkenning, getraind op videogegevens van de bewoner om ervoor te zorgen dat de input voor het algoritme beelden uit verschillende hoeken omvat.
De Lio beschikt ook over spraaksynthese en stemherkenning, waarbij AI wordt gebruikt om de robot in staat te stellen de gegeven instructies te begrijpen. De plaatsingsfunctie – die enige gelijkenis vertoont met de hierboven beschreven pick-and-place-functie – maakt ook gebruik van AI voor plaatsingsidentificatie, maar niet voor het plannen van het pad van de robotarm naar de geïdentificeerde plaats waar het drankje moet worden geplaatst. AI wordt uitgebreid gebruikt in het gedragsmodel dat de robot in staat stelt adequaat te reageren op de situatie die hij tegenkomt. Als de robot bijvoorbeeld een mensenmenigte herkent, zegt hij misschien iets, maar niet als hij geen persoon in de buurt kan identificeren. Als de robot een deur nadert, worden Kunstmatige Intelligentie -algoritmen gebruikt om te bepalen of de deur open is en vervolgens de juiste actie te ondernemen – de deur openen als hij gesloten is bijvoorbeeld, te beginnen met het lokaliseren van de klink.
Bij veel van de bovengenoemde taken zou een deel van de vereiste functionaliteit “hard gecodeerd” kunnen worden – bijvoorbeeld de vraag hoe te reageren op het aantreffen van een menigte mensen zou kunnen worden gecodeerd via traditionele “als/anders”-algoritmen. AI kan echter een grotere flexibiliteit bieden bij het classificeren van een bepaalde situatie en het bepalen van de passende reactie. De keuze van een AI-algoritme is derhalve specifiek voor de taak en wordt beïnvloed door de mate van complexiteit van de omgeving en het aantal mogelijke reactieopties.
Kunstmatige Intelligentie in de robotica wordt gebruikt voor het optimaliseren van procesontwerp, robotprogrammering en robotonderhoud, en bij robot kwaliteitsinspectie. In het algemeen verlopen deze toepassingen off-line – de gegevens van de robot en andere machines worden verzameld, geanalyseerd, en vervolgens wordt het robotprogramma aangepast. Hieronder gaan we hier dieper op in.
Simulatie wordt vaak gebruikt om optimale automatiseringsprocessen te ontwerpen voordat ze worden geïmplementeerd. Simulatieprogramma’s zijn meestal gebaseerd op computer-aided-design (CAD) programma’s van de betrokken machines. Machines, waaronder robots, presteren in de praktijk doorgaans anders dan in modelomgevingen als gevolg van externe effecten zoals trillingen van andere machines in de productiecel.
Traditioneel moeten programmeurs simulaties observeren wanneer deze naar de echte wereld worden overgebracht en de simulatie in een iteratieve lus aanpassen tot de toepassingen in de echte wereld naar behoren werken. Kunstmatige Intelligentie in de robotica kan worden gebruikt bij het ontwerpen van de initiële simulatie om het optimale robotpad en andere parameters te voorspellen, en vervolgens om uit meerdere prototypes de best presterende simulatie te kiezen. Simulaties kunnen parallel worden uitgevoerd en versneld, waardoor de AI-algoritmen veel meer gegevens krijgen, veel sneller dan zou kunnen worden bereikt door alleen af te gaan op gegevens van tests in de echte wereld. Dit vermindert het aantal iteraties en fijnafstemmingen die nodig zijn bij tests in de echte wereld.
Bedrijven kunnen ook multi-robotsystemen simuleren waarbij AI wordt gebruikt om robotprogramma’s te optimaliseren op basis van de gegevens van alle robots in het systeem. Het gebruik van AI voor het simuleren van automatiseringsscenario’s staat nog in de kinderschoenen, maar biedt mogelijkheden, zowel voor industriële robottoepassingen als voor servicerobots, waar de interactie tussen mens en robot kan worden gesimuleerd in een volledig risicoloze omgeving.
Deskundigen zien veel in het gebruik van AI om robots te helpen programmeren. Programmering en integratie maken 50-70% uit van de kosten van een robottoepassing. Herprogrammeringskosten hebben robotautomatisering van oudsher te duur gemaakt voor veel fabrikanten met korte productieruns van een breed scala aan producten. Methoden die een snellere programmering en hergebruik van programma’s mogelijk maken, zijn dan ook van essentieel belang voor de adoptie van robots in variabele omgevingen. Deskundigen schatten dat AI de voor programmering benodigde middelen zou kunnen halveren.
Terwijl industriële robottoepassingen die extreem hoge precisie- en snelheidsniveaus vereisen, doorgaans door een programmeur worden gecodeerd, kunnen veel collaboratieve robottoepassingen die geen zeer hoge cyclustijd- of precisievereisten hebben, ook door demonstratie worden geprogrammeerd.
De robotarm wordt door de uit te voeren stappen bewogen om een programma op te stellen dat vervolgens wordt verfijnd via een tabletgebaseerde interface met intuïtieve aanraakbediening. Bij de fijnafstelling kan Kunstmatige Intelligentie worden gebruikt om de vereiste bewegingen van de robot te bepalen om de taak optimaal uit te voeren. Uiteindelijk betekent dit dat een robotoperator zonder programmeerkennis van een robot een robot van eender welke fabrikant kan onderwijzen.
Sommige robotfabrikanten bieden deze functionaliteit reeds aan. Neura Robotics doet proeven met het gebruik van visiesystemen om te programmeren door demonstratie. Neura Robotics werkt bijvoorbeeld aan een toepassing voor lassen waarbij een operator gewoon naar de laslocaties wijst en de algoritmen van de robot de exacte lassen detecteren en het laspad plannen. Dit bespaart ongeveer een dag programmeertijd. Bovendien kan het algoritme, zodra het is getraind, worden toegepast op onderdelen van verschillende afmetingen en lasposities. Neura Robotics maakt ook gebruik van Natural Language Processing om gesproken instructies mogelijk te maken. Het algoritme wordt getraind aan de hand van een demonstratie van de taak waarbij de demonstrant beschrijft wat hij aan het doen is – bijvoorbeeld een doos koekjes oppakken – zodat de robot deze taak kan uitvoeren wanneer hij een verbale instructie krijgt.
AI-algoritmen voor taken als padplanning, botsingdetectie en oprapen worden door sommige aanbieders van robotsystemen, zoals MechMind, ook ingebouwd in hun programmeerinterfaces om code-vrij of code-light programmeren mogelijk te maken.
of code-light programmering mogelijk te maken. AI zou in de toekomst ook kunnen worden gebruikt om het juiste programma uit een reeks toepassingen te helpen afstemmen op een door de gebruiker gespecificeerde taak.
AI wordt gebruikt om robotprogramma’s te optimaliseren wanneer ze eenmaal draaien. Gegevens over de bewegingen van de robot, verzameld via sensoren op en rond de robot, kunnen worden geanalyseerd met AI-algoritmes om de optimale bewegingen te detecteren om de taak uit te voeren. Zo heeft FANUC de “AI path control” functie geïntroduceerd om de precisie van het snijden en lassen met robots te verbeteren, door zich aan te passen aan externe factoren zoals trillingen. De AI-padcontrolefunctie van FANUC schat het pad van een robot aan de hand van een versnellingssensor en de mate van afwijking van het commando pad. Deze functie zorgt voor een gepaste compensatie om zeer nauwkeurige cirkelvormige en rechte paden te bereiken – een taak die vroeger uren van trial and error door ervaren operatoren.
ABB past AI-algoritmen toe op de analyse van het gedrag van persen en robots in pers- en stempellijnen om de wachttijden van de apparatuur te minimaliseren. Met behulp van een holistische benadering identificeert een controlealgoritme knelpunten en beheert het de start- en stoptijden van robots en persen, waardoor de lijnen stabieler en voorspelbaarder worden.
Tot slot kan Kunstmatige Intelligentie in de robotica worden gebruikt om gegevens te analyseren van meerdere robots die dezelfde taak uitvoeren, om zo het robotprogramma voor al die robots te optimaliseren.
Zoals de naam al zegt, is het doel van voorspellend onderhoud te voorspellen wanneer onderhoud aan een onderdeel of machine nodig zal zijn, voordat het onderdeel of de machine ondermaats presteert of defect raakt.
Traditioneel wordt onderhoud ofwel op tijdbasis uitgevoerd, ongeacht de werkelijke toestand van de machine, ofwel wanneer een machine defect raakt. Machine-uitvaltijd kan grote fabrikanten meer dan een miljoen dollar per uur kosten. Bij voorspellend onderhoud verzamelen sensoren op de machine en, indien nodig, extern, continu gegevens over de toestand van de machine – bijvoorbeeld trillingen, geluid en toerental van de tandwielen – die kunnen worden geanalyseerd om de timing en omvang van het onderhoud te voorspellen. Machine learning wordt gebruikt om een model van “normale” prestaties op te stellen, zodat afwijkingen van deze norm kunnen worden geïdentificeerd, gesignaleerd en aangepakt. Ook hier is Kunstmatige Intelligentie niet persé nodig om voorspellend onderhoud mogelijk te maken – parameters voor waarden die acceptabele prestatiebereiken vertegenwoordigen, zouden bijvoorbeeld hard kunnen worden gecodeerd. AI biedt echter wel het voordeel dat deze parameters kunnen worden geïdentificeerd wanneer ze niet exact bekend zijn en wanneer ze kunnen variëren in verschillende situaties, zoals de buitentemperatuur.
Een aantal robotfabrikanten, zoals ABB, biedt voorspellende onderhoudsdiensten (soms ook condition-based maintenance genoemd) voor hun robots.
Een recentere ontwikkeling is prescriptief onderhoud, waarbij AI wordt gebruikt om uit te zoeken wat er hoogstwaarschijnlijk mis is zodra een potentieel onderhoudsprobleem of een andere prestatieafwijking zich heeft voorgedaan. Prescriptief onderhoud maakt gebruik van voorspellende algoritmen om te bepalen welke oplossing het meest waarschijnlijk doeltreffend zal zijn. Prescriptieve onderhoudstoepassingen worden reeds gebruikt door exploitanten van grote fabrieken, maar zijn nog niet ingeburgerd in de robotica.
Kwaliteitsinspectie is, naast pick-and-place, momenteel de meest gebruikte toepassing van Kunstmatige Intelligentie in robotica. Met behulp van 3D-visie en algoritmen voor machinaal leren kunnen robots tijdens het productieproces onderdelen inspecteren. Defecte onderdelen kunnen uit de productielijn worden gehaald voordat ze naar het volgende station worden verplaatst, waardoor kosten worden bespaard op onnodige verdere verwerking.
Het is moeilijk om exacte parameters te coderen waarmee alle gevallen van gebreken zoals krassen die telkens anders zijn, kunnen worden opgespoord. AI-algoritmen daarentegen kunnen uit vele verschillende voorbeelden generaliseren. Het algoritme blijft zichzelf bijstellen naarmate het meer voorbeelden tegenkomt. In sommige gevallen kan 3D-visie productfouten detecteren die te klein zijn voor het menselijk oog om ze te identificeren.
Dezelfde functionaliteit kan toegepast worden op foutbestendigheid, wat verspilling vermindert door fouten te detecteren en te corrigeren aan het begin van een run, voordat er veel onderdelen geproduceerd worden. FANUC biedt een toepassing voor foutdetectie aan – te zien in deze video – die bijvoorbeeld controleert of een moer die een robot moet aandraaien wel degelijk op zijn plaats zit.
Sommige vormen van kwaliteitsinspectie zijn moeilijk te automatiseren – met name de kwaliteit van afwerkingen zoals polijsten of lakken. Hoewel krassen gemakkelijk kunnen worden gedetecteerd met behulp van Kunstmatige Intelligentie , is het moeilijk om een algoritme te trainen in het onderscheiden van kwaliteiten zoals algemene gladheid, die er anders uitziet in verschillende lichtomstandigheden en waarvoor menselijke kwaliteitsinspecteurs tastzin zouden gebruiken. Het digitaliseren van dit soort zintuiglijke of haptische gegevens om input te leveren aan een AI-algoritme is tot dusver moeilijk gebleken. We kunnen er daarom van uitgaan dat de eindinspectie van veel afgewerkte oppervlakken voorlopig een manuele operatie zal blijven.
Een aantal chemie- en olie- en gasbedrijven, zoals BASF in Duitsland en Shell, doen proeven met toepassingen voor fabrieksinspectie met behulp van robots die zijn uitgerust met vision-systemen. Een 3D-camera wordt gemonteerd op een mobiele robot (die kan zijn uitgerust met poten, rupsbanden, watervoertuigen of een drone), die door de fabriek beweegt op zoek naar anomalieën zoals lekkende leidingen of meters die een abnormale waarde aangeven. Onderzeese inspectie met behulp van robots is reeds goed ingeburgerd, maar het gebruik van bewegende of mobiele robots met rupsbanden voor inspectie van installaties is nieuwer. ANYbotics en Energy Robotics bieden bijvoorbeeld op AI gebaseerde fabrieksinspecties met behulp van robots op poten aan. Het Sprint Robotics Collaborative, een consortium van chemische en petrochemische bedrijven en leveranciers van inspectierobots, werd in januari 2015 gelanceerd om de ontwikkeling van robotinspectietoepassingen voor productie-installaties te versnellen.
Ondanks de aanvankelijke krantenkoppen over het aantal banen dat door automatisering verloren zal gaan, ondersteunen de meeste economische studies een heel ander verhaal – namelijk dat automatisering leidt tot een netto toename van het aantal banen in een land en tot een stijging van het bruto binnenlands produkt (BBP). Ook wordt erkend dat slechts zeer weinig banen op een economisch levensvatbare manier volledig kunnen worden geautomatiseerd. Veeleer kunnen specifieke taken binnen die banen worden geautomatiseerd, waardoor de aard van de baan verandert, maar in de meeste gevallen niet verdwijnt. De veranderingen in de vaardigheidseisen als gevolg van de automatisering gelden voor alle niveaus van de beroepsbevolking.
Kunstmatige Intelligentie biedt robots meer mogelijkheden om taken of processen met werknemers te delen, door die delen van de taak of het proces over te nemen die niet-ergonomisch en repetitief zijn, zoals tillen, halen en dragen. Voor deze toepassingen is niet noodzakelijkerwijs AI nodig, maar, zoals we hierboven hebben besproken, stellen AI-technologieën de robot in staat om doeltreffend te werken in onvoorspelbare of snel veranderende omgevingen.
Zoals besproken, is Kunstmatige Intelligentie momenteel het meest ingeburgerd in pick-and-place-toepassingen. Hoewel marktadoptie moeilijk nauwkeurig te voorspellen is, voorzien de voor dit document geraadpleegde deskundigen de volgende brede tijdslijn voor de adoptie van AI in commerciële robottoepassingen:
Er wordt veel onderzoek verricht naar het gebruik van Kunstmatige Intelligentie in de robotica om alle in dit document besproken functies verder te ontwikkelen en nieuwe functies mogelijk te maken. Zoals eerder besproken, wordt veel onderzoek verricht om AI-algoritmen sneller te trainen en ze beter te laten generaliseren, zodat de toepassingen die er gebruik van maken snel en kosteneffectief kunnen worden aangepast aan nieuwe situaties binnen dezelfde brede categorie. Er wordt ook onderzoek verricht om robots in staat te stellen hun eigen programma te genereren door te kijken naar een demonstratie van de taak die zij moeten uitvoeren en door spraakopdrachten te begrijpen.
Een ander belangrijk onderzoeksgebied is semantische intelligentie die erop gericht is de robot in staat te stellen de eigenschappen en kenmerken te begrijpen van het object of de persoon waarmee hij in interactie treedt en passende beslissingen te nemen. Een mobiele assistentierobot zou in de toekomst bijvoorbeeld anders kunnen reageren op een bejaarde dan op een kind. Semantische intelligentie heeft het meeste potentieel voor toepassingen waarbij mobiele dienstrobots in contact komen met objecten en mensen in een openbare omgeving waarvan niet van tevoren bekend is wat en wie de robot zal tegenkomen. Het gaat echter om een uiterst complexe reeks stappen. De robot moet eerst de eigenschappen van het object identificeren – bijvoorbeeld een persoon die een kind is – vervolgens de intentie van het object of de persoon detecteren – bijvoorbeeld voorbijlopen of naderen met de intentie tot interactie – en vervolgens uitzoeken hoe hij op passende wijze kan reageren.
Het zal nog tientallen jaren duren voordat dergelijke scenario’s op grote schaal commercieel haalbaar zijn. Robotfabrikanten zijn echter al bezig met de eerste stappen – bijvoorbeeld een mobiele robot die onderscheid kan maken tussen een object en een persoon en daarom kan plannen hoe snel hij moet afremmen en of hij een verbale waarschuwing moet geven als er zich een persoon op zijn pad bevindt. Semantische intelligentie heeft ook potentieel in sommige industriële toepassingen, bijvoorbeeld inspectie van fabrieken. Een robot met semantische intelligentie zou kunnen vaststellen of een plas vloeistof gemorste olie of water is, en verschillende acties ondernemen, zoals een waarschuwing sturen, als hij olie aantreft.
Een deel van het onderzoek is gericht op “zwerm”-robotica, waarbij robots hun bewegingen onderling coördineren, zonder input van een hoger besturingssysteem. De beoogde toepassingen zijn die waarbij mensen zich niet in het werkgebied bevinden, zoals opgravingen bij rampen of in de landbouw, veeleer dan in overdekte industriële omgevingen. Tot dusver zijn er weinig of geen commerciële toepassingen waarbij gebruik wordt gemaakt van zwermmodellen zonder centrale besturing.
Er wordt momenteel veel gediscussieerd over de vraag hoe ervoor kan worden gezorgd dat AI-toepassingen niet tot ongewenste uitkomsten leiden, met name bias in algoritmen die aanbevelingen doen over bijvoorbeeld wie een geschikte kandidaat is voor een baan. In de meeste van deze gevallen is het belangrijk te kunnen vaststellen op welke gegevens het algoritme is getraind om te garanderen dat de gegevens representatief zijn, en hoe het algoritme tot zijn conclusies komt. Veel van de voorgestelde regelgeving rond AI – zoals het recente “Voorstel voor een verordening betreffende een Europese aanpak van kunstmatige intelligentie” van de Europese Commissie – is gericht op het waarborgen van eerlijkheid en “verklaarbaarheid” in Kunstmatige Intelligentie -algoritmen.
Robots worden momenteel niet gebruikt in situaties waarin sprake is van vooringenomenheid. De belangrijkste punten van zorg voor robotfabrikanten en -gebruikers als het gaat om AI zijn veiligheid en certificering, die we hieronder bespreken. Bovendien moeten robotfabrikanten die vision-systemen gebruiken, kunnen garanderen dat de gegevens die door het vision-systeem worden doorgegeven, niet in strijd zijn met de privacywetgeving, bijvoorbeeld doordat ze de identificatie van een specifiek individu mogelijk maken.
Omdat de output van een AI-algoritme niet van tevoren bekend is, kunnen gebruikers begrijpelijkerwijs voorzichtig zijn over de gevolgen voor de veiligheid. AI kan echter nooit alleen worden gebruikt in een robot, aangezien er vele andere programmalagen nodig zijn om aspecten van het fysieke robotsysteem te controleren – zoals de bewegingen van de robotassen. Dit betekent dat robotprogrammeurs moeten bepalen welke laag in de ‘stack’ prioriteit heeft boven andere. Er kan prioriteit worden gegeven aan de hard-coded, deterministische laag die verantwoordelijk is voor acties zoals ervoor zorgen dat een robot stopt als hij 10 cm verwijderd is van een object, ongeacht wat het Kunstmatige Intelligentie -algoritme anders zou bepalen als de beste handelwijze. Dit is bijna altijd het geval in de robottoepassingen waarbij Kunstmatige Intelligentie wordt gebruikt en die vandaag in gebruik zijn. Naarmate de toepassingen vorderen – vooral in toepassingen waarbij de robot fysiek in interactie is met een persoon wiens positie en bewegingen niet vooraf zijn bepaald of in onvoorspelbare omgevingen zoals openbare ruimten – kunnen we echter verwachten dat AI wordt gebruikt in veiligheidskritieke onderdelen van de toepassing.
Meer variatie in de reactie van de robot op veiligheidskritische situaties kan ook productiviteitsvoordelen opleveren in industriële omgevingen. Als een mobiele robot bijvoorbeeld kan vaststellen dat een werknemer zich binnen een voor de robot veiligheidskritieke zone bevindt, maar aan de andere kant van de robotarm, kan hij blijven bewegen, terwijl hij in een hard-coded toepassing altijd zou stoppen. Er wordt onderzoek verricht naar de manier waarop de veiligheid in dergelijke situaties kan worden gegarandeerd. Sommige onderzoeken zijn bijvoorbeeld gericht op “lerende controllers” die voortdurend gegevens verwerken om de volgende beweging van de robot te bepalen, gevolgd door de verwerking van de gegevens die als gevolg van die actie worden gegenereerd, om de volgende beweging te bepalen.
Momenteel bestaan er ISO-veiligheidsnormen voor industriële robots – waaronder een technische specificatie voor industriële robots die worden gebruikt in collaboratieve toepassingen – bepaalde dienstrobots en mobiele robots. Deze normen stellen robotfabrikanten in staat hun robot te certificeren als inherent veilig. Aangezien de veiligheid van een robottoepassing van vele andere factoren afhangt – hoe goed verlicht is de productiecel, manipuleert de robot een onderdeel met scherpe randen – moeten gebruikers risicobeoordelingen van hun toepassingen uitvoeren en zijn zij verantwoordelijk voor de veiligheid van hun werknemers, die onder de nationale gezondheids- en veiligheidswetgeving valt.
Het is momenteel onduidelijk hoe veiligheidsnormen en regelgeving zich zullen ontwikkelen voor scenario’s waarin Kunstmatige Intelligentie wordt gebruikt in veiligheidskritische onderdelen van de robottoepassing.
Certificering is belangrijk voor robotfabrikanten en systeemintegratoren om aan te tonen dat aan specifieke veiligheids- of andere normen wordt voldaan en zich daardoor te onderscheiden van niet-gecertificeerde concurrenten.
Er wordt momenteel veel gediscussieerd en onderzoek verricht naar de mogelijkheid en de voordelen van softwarecertificatie of -verificatie voor programma’s die geheel of gedeeltelijk uit AI-algoritmen bestaan. Certificering berust op de zekerheid dat het gewenste resultaat zal worden bereikt, hetgeen moeilijk is in het geval van AI, waar het resultaat wellicht niet vooraf bekend is, of achteraf kan worden verklaard.
Naast certificering zou inzicht in de redenen waarom een algoritme tot een besluit is gekomen, en welke gegevens daarbij van belang waren, ook kunnen bijdragen tot een betere herbruikbaarheid van algoritmen voor andere doeleinden. Ook hier wordt onderzoek aan gewijd. Het zou bijvoorbeeld mogelijk zijn – maar rekenkundig kostbaar – om parameters te bepalen en te controleren voor het neurale netwerk dat de beweging van de robot regelt, en er zo voor te zorgen dat de acties van de robot binnen een vooraf bepaald veiligheidsbereik blijven, zelfs wanneer de precieze actie die de robot zal ondernemen niet vooraf is bepaald of kan worden uitgelegd. Het Fraunhofer-instituut voor productie en automatisering wijdt zich aan “betrouwbare AI” in robotica.
Kunstmatige intelligentie opent nieuwe mogelijkheden voor robotautomatisering, met name in omgevingen met een grote variabiliteit. In de verwerkende industrie maakt Kunstmatige Intelligentie de automatisering mogelijk van een aantal taken op het gebied van het verzamelen, plaatsen en manipuleren van objecten, van machinebediening tot assemblage, die voorheen alleen met de hand konden worden uitgevoerd. Werknemers worden vermoeiende, zware of onergonomische taken bespaard. AI raakt ook ingeburgerd voor gerobotiseerde kwaliteitsinspectie.
AI-gestuurde robottoepassingen zorgen voor meer efficiëntie in de logistiek en de detailhandel, waardoor bedrijven in deze sectoren beter het hoofd kunnen bieden aan pieken in de orders, een grote productvariabiliteit en een vaak onbetrouwbaar arbeidsaanbod.
Robots doen steeds meer hun intrede in publieke domeinen, van ziekenhuizen tot winkelcentra. In de toekomst zal Kunstmatige Intelligentie een betere interactie mogelijk maken tussen robots en de mensen en voorwerpen die ze tegenkomen. AI zal ook bijdragen tot de automatisering van robots in sectoren zoals de landbouw, waar tot nu toe nog geen robots werden ingezet.
Kunstmatige Intelligentie in robotica zal helpen de middelen en kosten te verminderen die nodig zijn om een robot te programmeren en opnieuw in te zetten, waardoor automatisering mogelijk wordt voor veel bedrijven waarvoor automatisering tot dusver economisch niet haalbaar was.
Het is echter belangrijk op te merken dat deze veranderingen tijd zullen vergen. Er is aanzienlijke vooruitgang geboekt bij het veralgemenen van AI-algoritmen, bijvoorbeeld wat betreft de soorten objecten die de robot kan herkennen bij het uitvoeren van een bepaalde taak. Een complete robottoepassing omvat echter veel meer programmacomponenten en interfaces die niet alleen specifiek zijn voor de taak, maar ook voor de bredere, bedrijfsspecifieke automatiseringsarchitectuur. Wil elke toepassing commercieel levensvatbaar zijn, dan moeten de automatiseringskosten worden gecompenseerd door productiviteits- of andere voordelen. In veel gevallen zal het dan ook jaren duren voordat ontwikkelingen in onderzoekslaboratoria op grote schaal commercieel worden toegepast.
Kunstmatige intelligentie krijgt steeds meer aandacht van regelgevende instanties en belangengroepen, met name wat betreft de vraag of vooringenomenheid in AI-software moet worden vermeden. In de robotica is het belangrijkste punt de veiligheid. Bij de meeste commerciële robottoepassingen waarbij tegenwoordig Kunstmatige Intelligentie wordt gebruikt, komt de robot ofwel niet in contact met mensen, ofwel maakt hij gebruik van deterministische algoritmen die elke AI terzijde schuiven om mensen te beschermen, bijvoorbeeld om ervoor te zorgen dat de robot stopt als de afstand tot een voorwerp of persoon onder een bepaalde drempel valt. Niettemin zijn inspanningen om kaders en modellen te creëren voor “verklaarbare AI” in industriële toepassingen belangrijk, met name om de certificering mogelijk te maken van toepassingen die gebruik maken van AI-algoritmen.
De notie van “algemene kunstmatige intelligentie” waarbij een robot in staat zou zijn het geleerde van de ene taak – zoals het openen van een deur – toe te passen op een andere – zoals het sluiten van een kast – zonder verdere input, zoals een mens dat zou kunnen, is in commerciële omgevingen niet realistisch. Zoals wij in dit document hebben opgemerkt, moet een robottoepassing niet alleen op een specifieke taak, maar ook op de specifieke omgeving worden toegesneden. De gebruikte AI-algoritmen zijn dus “smalle AI” en de toepassing zal altijd moeten worden geprogrammeerd, ook al maakt zij opnieuw gebruik van gedeelten van andere toepassingen of bestaande blokken code.
Zoals we hebben besproken, wordt programmeren echter steeds gemakkelijker, sneller en intuïtiever. We kunnen vooruitgang verwachten in het terugdringen van de totale tijd en het vaardigheidsniveau die nodig zijn om een op maat gemaakte robotapplicatie te maken, of een bestaande opnieuw in te stellen. Kunstmatige Intelligentie in robotica zal een steeds belangrijkere rol spelen bij het sneller ontwikkelen van toepassingen en het hertaken van taken, en zal het takenpakket uitbreiden dat economisch haalbaar is voor een robot om uit te voeren. Dit opent het vooruitzicht van automatisering voor nieuwe industriesectoren en voor veel kleine tot middelgrote bedrijven.
Bron: International Federation of Robotics
Het belangrijkste doel van het gebruik van Kunstmatige Intelligentie in de robotica is om beter beheren van variabiliteit en onvoorspelbaarheid in de externe omgeving, hetzij in real-time, hetzij offline. Dit biedt voordelen voor fabrikanten, logistieke dienstverleners en detailhandelaren die te maken hebben met vaak wisselende producten, orders en voorraden in zogenaamde “high mix/low volume”-omgevingen. Het helpt robots ook te functioneren in openbare omgevingen – van supermarkten tot ziekenhuizen – die van nature onvoorspelbaar zijn.
1. Sense-and-respond-toepassingen waarbij de robot autonoom zijn externe omgeving identificeert en daarop reageert in een real-time gesloten lus.
2. Prestatieoptimalisering waarbij Kunstmatige Intelligentie wordt gebruikt om het procesontwerp en de robotprogrammering te optimaliseren en de kwaliteitsinspectie & het onderhoud te verbeteren.
Bestaande definities van Kunstmatige Intelligentie variëren in reikwijdte en er is geen standaard. Zo definiëren de onderzoekers Stuart Russell en Peter Norvig AI als “een intelligente agent, waarbij “agent” staat voor een softwaresysteem dat zijn omgeving waarneemt via sensoren en op die omgeving reageert via actuatoren, en “intelligentie” staat voor het vermogen om een actie te kiezen waarvan verwacht wordt dat zij een prestatiemaatregel maximaliseert.
De Europese Commissie daarentegen definieert AI als “systemen die intelligent gedrag vertonen door hun omgeving te analyseren en – met een zekere mate van autonomie – acties te ondernemen om specifieke doelen te bereiken”.
Er bestaat ook geen overeenstemming over welke algoritmen of methoden AI (kunstmatige intelligentie) vormen. Een deel van de moeilijkheid bij het vaststellen van een concrete definitie is dat AI-algoritmen en -modellen (zoals neurale netwerken) een combinatie zijn van wiskundige functies die, op zichzelf beschouwd, als “traditionele” algoritmen kunnen worden beschouwd. Op een bepaald punt, wanneer deze functies worden gecombineerd – zoals in een neuraal netwerk – bereiken zij een niveau van autonomie dat als AI kan worden aangemerkt, of zij kunnen eenvoudigweg worden beschouwd als een combinatie van traditionele wiskundige functies.
Machine learning is een onderdeel van kunstmatige intelligentie dat zich richt op het bouwen van systemen die automatisch kunnen leren van gegevens en hun prestaties op een taak na verloop van tijd kunnen verbeteren, zonder expliciet geprogrammeerd te zijn. Met andere woorden, algoritmen voor machinaal leren zijn ontworpen om automatisch patronen en relaties te vinden in gegevens, en deze kennis te gebruiken om voorspellingen te doen of beslissingen te nemen.
Het belangrijkste doel van het gebruik van Kunstmatige Intelligentie in robotica is beter om te gaan met variabiliteit en onvoorspelbaarheid in de externe omgeving, hetzij in real time, hetzij offline.
We maken een onderscheid tussen twee soorten toepassingen:
1. Sense-and-respond toepassingen waarbij de robot autonoom zijn externe omgeving identificeert en daarop reageert in een real-time gesloten lus: Pick-and-place toepassingen zijn de meest voorkomende robottoepassingen in deze categorie.
2. Prestatieoptimalisatie waarbij AI wordt gebruikt om het procesontwerp en de robotprogrammering te optimaliseren, alsook bij kwaliteitsinspectie en onderhoud.
Deskundigen zien veel in het gebruik van AI om robots te helpen programmeren. Programmering en integratie maken 50-70% uit van de kosten van een robottoepassing. Herprogrammeringskosten hebben robotautomatisering van oudsher te duur gemaakt voor veel fabrikanten met korte productieruns van een breed scala aan producten. Methoden die een snellere programmering en hergebruik van programma’s mogelijk maken, zijn dan ook van essentieel belang voor de adoptie van robots in variabele omgevingen. Deskundigen schatten dat AI de voor programmering benodigde middelen zou kunnen halveren.
Voorspellen wanneer onderhoud aan een onderdeel of machine nodig zal zijn, voordat het onderdeel of de machine ondermaats presteert of defect raakt.
IndustrieVandaag is een onafhankelijk platform met het laatste nieuws van vandaag over de procesindustrie, industrial processing, productie industrie, maakindustrie en elektronica industrie.
Neem contact met ons op:
Tel +31 (0)23 737 07 63
Email via contactpagina
