底層智能

Cobot領域?qū)I并不陌生。但是借助標準示教器或圖形用戶界面將AI植入基于cobot的應用，一直都是一個耗時的挑戰(zhàn)，即使對最敬業(yè)的工程師亦是如此。

近年來，許多公司與優(yōu)傲機器人（Universal Robots）展開合作，希望解決這一難題。最新合作的公司是曾推出MATLAB和Simulink兩款數(shù)學軟件解決方案的MathWorks。今年早些時候，MATLAB和Simulink取得了UR+認證，這意味著兩款認證軟件不僅可在優(yōu)傲cobot上無縫使用，還可以通過UR+生態(tài)系統(tǒng)使用，幫助工程師開發(fā)先進的cobot應用。

MathWorks的技術機器人產(chǎn)品負責人YJ Lim表示：“多年來，MathWorks一直關注cobot領域，但這是我們和cobot制造商的首次正式合作。這表明我們注意到了cobot在那些需要AI、離線模擬、運動規(guī)劃和計算機視覺能力領域的應用潛力?！?/span>

優(yōu)傲機器人和MathWorks的合作不僅僅是cobot和AI的象征性結合。此次合作讓機器人工程師能將MATLAB和Simulink的所有功能加入基于cobot的工業(yè)應用，并將AI植入其底層系統(tǒng)設計中。兩家公司的合作還允許工程師通過在嵌入式目標（如GPU板）上直接生成C++代碼的方式，在cobot上部署算法和AI。

現(xiàn)在有很多cobot應用套件都加入了AI功能，因此cobot和AI的組合并不新鮮。不過MathWorks和優(yōu)傲機器人的合作模式獨一無二，也為其他cobot解決方案供應商提供了借鑒，因為這種合作模式能為工程師提供所需的工具，助其使用經(jīng)濟實惠的cobot硬件來構建先進的工業(yè)自動化系統(tǒng)。

Lim說：“傳統(tǒng)自動化技術的使用局限于大型企業(yè)。將MATLAB和Simulink引入cobot領域能讓更多新興企業(yè)和中型企業(yè)享受到AI和自動化的好處?！?/span>

相似的感知能力

人類可以在觀察無序的物體（比如料架中的零件）后立刻知道如何不碰到其他零件揀選需要的物件。手的行動路徑會避免與周圍環(huán)境發(fā)生碰撞，我們甚至可以拿起多個物體，并以較高的精確度將它們放在一起。

自動化工程師知道，機器人并不總能做到這一點。因此，從料架上揀選非結構化物體歷來被認為是一個需要巨額投資才能解決的難題。

Apera AI的“4D視覺（4D Vision）”技術也通過了UR+認證，為cobot提供了“與人類相似的感知能力”。這種感知能力乍聽起來很夸張，但實際上已在多個層面上得到證實，并可有效提高機器人的速度和效率，特別是在料架揀選方面。

Apera AI的市場主管Eric Petz說：“我們系統(tǒng)的總視覺周期時間短至0.3秒（3Hz），這意味著在人腦處理相同問題的相同時間內(nèi)，系統(tǒng)可以分析無序場景并向機器人發(fā)出指令。我們的視覺系統(tǒng)必須快于機器人。”

一般而言，高速自動化機器人料架揀選的目標速度應為2000次/小時，這意味著機器人的單次周期時間只有1.8秒。由于機器人的移動速度有限，因此必須盡可能減少視覺識別時間。

該流程的第一步是使用CAD圖紙或待揀選產(chǎn)品的3D掃描模型來訓練AI神經(jīng)網(wǎng)絡；然后使用兩個2D攝像頭對工廠車間的場景（例如雜亂的料架）進行拍攝，被拍攝的圖像會被合成為一個3D場景；接著，4D視覺系統(tǒng)會識別出“最需揀選”的物體，并告知cobot揀選物體的最快和最安全的路徑。Apera Vue軟件已嵌入在控制器當中，可以告知機器人姿勢以及路徑規(guī)劃數(shù)據(jù)，機器人可以從無碰撞的安全路徑來完成揀選。

Petz說：“識別和優(yōu)先考慮可揀選物體是人類擅長的事情，也是我們訓練AI神經(jīng)網(wǎng)絡完成的動作。這能夠縮短從識別物體到向機器人發(fā)生運動指令所需的時間。”

流程的第一步包括CAD和3D掃描模型以及AI訓練，其中涉及到機器人通過對約100萬次排列組合進行學習，以便在真實環(huán)境中對需要的產(chǎn)品進行揀選。這一步驟包括從全日照到接近黑暗的環(huán)境光線變化訓練，需要借助數(shù)字孿生環(huán)境才能實現(xiàn)。

Petz補充道：“如果人類可以看到某個物體，我們就能幫助機器人看到它。多數(shù)傳統(tǒng)的系統(tǒng)需要借助結構光技術、激光器或傳感器才能識別物體并向機器人發(fā)出指令?！?/span>

增強靈活性

越來越多的制造商在尋找靈活的自動化解決方案，以便快速適應產(chǎn)品定制和產(chǎn)品組合，AI和cobot的協(xié)同作用能幫助設計工程師建立一個支持多品種、小批量（HMLV，High Mix Low Volume）生產(chǎn)的系統(tǒng)。

cobot具有高度的移動性、靈活性和易編程性，這讓它們能在不同的應用場景之間切換自如，比如碼垛、檢查、打磨和機器維護。若與AI的學習能力相結合，便等同于高度靈活的自動化與智能相結合，這樣一來cobot就能完成更多任務。

Apera AI的Petz說：“就像人類可以分析制造步驟是否正確那樣，我們的AI可以通過訓練來理解零件是否被正確放置或組裝?！?/span>

Apera AI的機器人的總視覺周期時間僅為0.3秒（3Hz）。這意味著使用該公司視覺軟件的機器人作業(yè)平臺可以達到以往無法企及的生產(chǎn)力水平，那就是視覺系統(tǒng)快于機器人，而非機器人等待視覺系統(tǒng)。在投產(chǎn)之前，該視覺解決方案借助AI進行了數(shù)百萬次的模擬循環(huán)，因此系統(tǒng)能通過各個方向深入了解物體，并與特定的機器人、機械臂末端工具和操作環(huán)境相結合。（Apera AI）

在一家五百強制造企業(yè)的一項部署方案中，來自優(yōu)傲機器人的cobot與Apera AI的視覺智能相互配合，成功完成了向各種尺寸形狀的金屬閥門結構邊緣點注密封膠材料的高精度任務。

這套組合系統(tǒng)可以靈活地識別零件，并以特定模式自動分配材料。這些功能可以確保夾具在點膠過程中處于正確的位置，并且無需為每種零件設置特定的夾具。

Apera AI的另外一位客戶是來自賓夕法尼亞州的Precision Cobotics，這家公司已經(jīng)將優(yōu)傲機器人的cobot與Apera AI的技術相結合，為CNC和激光打標技術開發(fā)出標準化的機器維護解決方案。

這套解決方案可以揀選隨機物品，并且能夠非常精確地將未加工工件放入機器中。cobot可以再將完工的零件轉(zhuǎn)移到另一條生產(chǎn)線上，或?qū)⑵浞胖迷谥付ㄎ恢?，如傳送帶或托盤中。

Petz解釋說：“當前的做法是將未加工零件放到網(wǎng)格架中，這需要操作員參與或額外的自動化操作。若直接從料架中取出物品就不需要這些固定裝置，從而實現(xiàn)靈活的多品種生產(chǎn)以及更加高效的勞動力利用?！?/span>

“簡單”

AI讓機器人工程師更容易打造出基于cobot的先進應用。當然，終端用戶也能從易于使用的自動化智能技術中受益。不過這并不意味著AI會讓終端用戶的核心體驗變得復雜。

如果是一家缺乏機器人使用經(jīng)驗且看重生產(chǎn)速度的中小型企業(yè)，那么公司可以把所有AI能力放在后臺，以確保流暢的終端用戶體驗和更快的部署；缺乏勞動力的公司則希望擁有一個可以快速、輕松地適配特定應用的解決方案，如果AI能夠優(yōu)化此過程，那再好不過了。

這就是Rapid Robotics開發(fā)出Rapid MachineOperator的前提。Rapid Machine Operator是一種為快速部署而開發(fā)的靈活協(xié)作式自動化系統(tǒng)，在部署之前，Rapid Robotics借助第三方AI軟件在數(shù)字孿生環(huán)境中通過數(shù)百萬次排列組合來運行產(chǎn)品，這讓機器人學會如何選擇最佳的“揀選時機”和更好的路徑規(guī)劃。不過，終端用戶無需看到或處理任何此類復雜情況。

正如Rapid Robotics的計算機視覺總監(jiān)John Novak所言：“客戶并不關心黑盒里發(fā)生了什么，他們只需要自動化操作，因為他們的員工數(shù)量不足，但機器又需要運行。”

Novak提出了一個重要觀點：并非每一個基于cobot的應用都需要深度學習或機器學習功能，讓終端用戶遠離復雜操作是很有必要的。