Real-World Supply Chain Robotics - Netværkseffekten

Real-World Supply Chain Robotics – Netværkseffekten

Tidsstempel: 2. april 2024 kl. 2
Kildeknude: 2534095

Dette indlæg er allerede blevet læst 369 gange!

Låser op for autonome og semi-autonome robotter med praktisk teamwork

Robotter har løftet om at forvandle alt fra fabrikker til vores hjem. Der er dog stadig en væsentlig hindring – at ruste dem til at navigere i den uforudsigelige natur af situationer i den virkelige verden. Svaret ligger i en tostrenget tilgang: at styrke dem med AI og partnere dem med mennesker.

En central udfordring er en robots manglende evne til at forstå sine omgivelser og træffe beslutninger baseret på denne information. Opgaver i den virkelige verden er i sagens natur rodede og kræver, at robotter interagerer sikkert og effektivt med mennesker og objekter i stadigt skiftende miljøer.

AI tilbyder en løsning, der gør det muligt for robotter at lære af data og erfaringer. Træning af robotter til at identificere objekter, navigere i komplekse miljøer og interagere med mennesker sikkert. Denne teknologi bliver allerede brugt til at udvikle mere intelligente og dygtige robotter, men for at frigøre deres sande potentiale til komplekse opgaver som første respons, eftersøgning og redning eller endda fabriksarbejde, er vi nødt til at fremskynde AI-udviklingen ved at udnytte konceptet "Practical Human". Overvåget autonomi.” 

Praktisk menneskelig overvåget autonomi

Practical Human Supervised Autonomy henter inspiration fra nyere AI-fremskridt, såsom store sprogmodeller (LLM), som demonstrerer styrken af ​​AI-menneskeligt samarbejde. Vi kan tage en lignende tilgang til at bygge 'smarte' robotsystemer. Ved at udvikle forskellige "neurale netværk", der kan lære at udføre specifikke opgaver - med vægt på at lære at træffe beslutninger om disse opgaver, kan vi skabe robotter, der i sidste ende kan lære at udføre komplekse opgaver, såsom at levere en pakke på tværs af flere gader og ind på et kontor bygning. 

"En automatiseret maskine, der kun gør én ting, er ikke en robot. Det er simpelthen automatisering. En robot skal have evnen til at håndtere en række opgaver..."

Joseph Engelberger, fysiker, ingeniør, forretningsmand og kendt som "robotikkens fader"

En af udfordringerne ved at udvikle 'smarte' robotsystemer er det store antal potentielle udfordringer, en robot kan støde på, og de forskellige færdigheder, den har brug for for at lære at træffe beslutninger. Men i stedet for at lære robotter, hvordan man tackler komplekse missioner og opgaver "fra bunden", søger en "praktisk autonomi"-tilgang at udnytte nye kognitive, sensoriske teknologier (for eksempel en forståelse af objekter i robotters synsrum) kombineret med en syntese af beslutningstagning truffet af menneskelige fagfolk - for at give robotter mulighed for at træffe beslutninger lige så godt som mennesker, og derefter samarbejde med mennesker om beslutningstagning på højere niveau. 

I bund og grund – praktisk autonomi tillader robotter at lære af deres menneskelige supervisorer kontinuerligt og trinvist, hvilket reducerer den "kognitive belastning" på de menneskelige supervisorer ved konstant at lære robotterne nye og komplicerede færdigheder.

Dette vil give robotter mulighed for at lære at løse komplekse opgaver i den virkelige verden i både specifikke og generaliserede situationer, uden behov for konstant menneskelig indgriben, samtidig med at "åben kommunikation" altid er tilgængelig. Derfor opretholdes det nødvendige niveau af menneskebaseret beslutningstagning i enhver proces.

For bedre at forstå konceptet med praktisk autonomi, lad os overveje et eksempel med GPT4, en stor sprogmodel. Hvis jeg beder GPT4 om at skrive en hel Netflix-dramaserie til mig, får jeg måske et sammenhængende stykke tekst, men det er sandsynligvis langt fra perfekt og mangler kreativiteten og ekspertisen fra en professionel forfatter.

En menneskelig overvåget AI-læringsproces kan hjælpe med at bygge bro over dette hul ved at give GPT4 mulighed for at samarbejde med en erfaren menneskelig forfatter. Skribenten kan give kritisk feedback og vejledning på afgørende punkter, mens GPT4 kan tage sig af resten. Med tiden kan vi bruge dataene fra deres samarbejde til at skabe AI-modeller, der er mere og mere i stand til at skrive en fantastisk tv-serie på egen hånd, i stil med de superviserende skribenter. Samtidig er de vejledende skribenter altid tilgængelige for at give vejledning på højt niveau og træffe kritiske beslutninger.

"Ved at bruge menneskelig overvågning og AI-drevne færdigheder kan maskiner udføre komplekse opgaver i dag, mens de udfører selvstændigt på egen hånd i mere ligetil scenarier."

Matteo Shapira

Lad os undersøge, hvordan denne tilgang ville fungere i sidste mile levering.

Last-Mile Delivery med Robotics

Lad os se på en brugscase i den virkelige verden, hvor vi anvender AI til at gøre det muligt for en autonom robot at levere en pakke med succes fra en varebil til et specifikt kontor i et højhus på næste blok. Robotten skal udføre en række opgaver med forskellige niveauer af kompleksitet for at fuldføre sin mission. På et grundlæggende niveau skal robotten gå eller flyve i en lige linje efter at have fået en bestemt vektor, hvilket er relativt ligetil. Men i den komplekse ende af tingene skal robotten forstå ting som:

  • Er dette en indgang til en bygning?
  • Hvor er elevatoren i bygningen?
  • Må jeg gå i elevatoren fyldt med mennesker?
  • Hvordan ved jeg, hvilken etage kontoret er på?
  • Og mange flere dynamiske og uforudsigelige delopgaver.

Vi kan kortlægge disse processer i en stak af generaliserede færdighedssæt, startende med de enkleste og slutter med de mest komplekse:

  • Lokalisering og navigation
  • Forstå verden omkring den (ved hjælp af visions- og klassifikationsmodeller)
  • Tage taktiske beslutninger (såsom hvordan man omgår en væsentlig forhindring)
  • At træffe strategiske beslutninger (såsom hvad der skal være min plan generelt baseret på missionsspecifikke data, før jeg deler det op i underdele)

Når en robot kan udføre alle færdigheder i en situation i det virkelige liv, under alle forhold, kan vi betragte den som "fuldstændig autonom." I den anden ende af spektret kan robotten være i stand til at navigere fra punkt A til punkt B. Så en menneskelig supervisor skal tage næsten hele den "kognitive belastning" af missionen og dirigere robotten gennem flere forskellige "punkter" indtil opgaven er fuldført.

Real-World Robotics: Når en robot kan udføre alle færdigheder i en virkelig situation uden menneskelig vejledning, betragter vi det som fuldstændigt autonomt. Klik for at Tweet

I midten af ​​dette område er "Delvis autonomi", hvor robotten har lært nok færdigheder til at udføre mange opgaver selvstændigt, mens den menneskelige supervisor skal gribe ind i enhver beslutningsproces på højt niveau, der er nødvendig for at fuldføre opgaven (derfor dele "kognitiv belastning").

Grundlaget for praktisk autonomi

Nu hvor vi forstår "færdigheder" og "kognitiv belastning", kan vi lægge grundlaget for det niveau af praktisk autonomi, der kræves for at opnå et gennembrud inden for robotteknologi:

  • Ved at bruge menneskelig supervision og AI-drevne færdigheder giver samarbejdet mellem menneske og maskine os mulighed for at udføre komplekse opgaver i dag, da robotten kan stole på, at sin supervisor træffer svære beslutninger i vanskelige situationer, mens den udfører autonomt på egen hånd i mere ligetil scenarier.
  • Ved at nedbryde de handlinger og beslutninger, som en menneskelig supervisor træffer, til observerbare og kvantificerbare situationer, kan vi gradvist omdanne mange af disse processer til færdighedssæt på "højt niveau", som robotterne kan lære at udføre autonomt. Hver "opgradering af softwareversion" vil kræve mindre og mindre "kognitiv belastningsindsats" fra den menneskelige supervisor på hvert trin.
  • Når først det "kognitive belastning"-forhold mellem supervisorer og robotter når en vis tærskel, bliver mere komplekse scenarier mulige, der kræver minimal direkte menneskelig indgriben. 
  • Ved at fortsætte med at iterere gennem denne proces, givet mange forskellige anvendelsessager i den virkelige verden på tværs af andre markeder og platforme, vil robotter i sidste ende nå punktet af ægte, fuldstændig autonomi.

Lad os vende tilbage til vores pakkeleveringseksempel. Overvej alle de nødvendige trin for at levere en pakke fra et centraliseret lager til den endelige kunde. Vi kan sortere disse potentielle trin i et hierarki, der spænder fra globale opgaver, som derefter opdeles til individuelle opgaver, yderligere opdelt i delopgaver.

De væsentlige opgaver kan konceptualiseres som de store byggeklodser, der kræves for at løse den aktuelle opgave:

  • Rejs til en udendørs destination omfatter at forlade parkeringspladsen, navigere i gaderne og krydse gaden.
  • Gå ind i bygningen: Dette inkluderer at finde indgangen, tage elevatoren og komme til den rigtige etage.
  • Find kontoret: Dette inkluderer at navigere på gangene og identificere den korrekte dør.
  • Aflever pakken: Dette inkluderer at banke på den rigtige dør, aflevere pakken og få en underskrift (hvis påkrævet).

Så kan vi nedbryde individet underopgaver kræves for at lykkes for hver global opgave. Lad os se på nogle af de opgaver nødvendige for at "rejse til en udendørs destination": 

  • Planlæg et kursus for at tage fat på brugen af ​​"fodgængerstier." 
  • Identificer og bekræft en sikker vej mod det næste segment pr. plansegment.
  • Rejs til næste segment.
  • Vurder eventuelle forhindringer, uanset om de er statiske (affald) eller dynamiske (mennesker).
  • Omgå disse forhindringer.
  • Bekræft ankomst.

For at få vores robot til at "rejse til udendørsdestinationen" på egen hånd - Den skal hovedsageligt være dygtig til den lavere undergruppe af AI-færdigheder: Forstå dens placering, planlægning af en plan mod destinationen, vurdering og omgåelse af forhindringer og visuel vurdering af elementer såsom en "fri vej", "forhindringer" og "min destination". Det meste af tiden, og i de fleste tilfælde, bør robotten være okay med at udføre disse opgaver selvstændigt. Men indimellem kan det løbe ind i en uforudset udfordring: en forhindring, der blokerer hele vejen, en propfyldt skare af mennesker eller dårligt vejr. 

Real-World Supply Chain Robotics: En menneskelig supervisor kan hjælpe robotter med at navigere første gangs interaktioner og forhindringer, som senere bliver indarbejdet som autonome kapaciteter. Klik for at Tweet

I disse situationer, at have en menneskelig supervisor, der kan gribe ind i robottens plan ved hjælp af simple instruktioner såsom "Vent til regnen stopper og stå under en baldakin" eller "Du kan omgå den store forhindring ved at krydse gaden." – ville hjælpe robotten med at fuldføre leveringen. Og med den følgende softwareopdatering burde robotterne være i stand til at håndtere disse specifikke udfordringer direkte.

Ser man på det fra et levedygtighedssynspunkt – denne type scenarie kan gøre det muligt for en enkelt supervisor at overvåge hundredvis af leveringsrobotter, kun gribe ind i undtagelsestilfælde efter behov, og få hver iteration (version) af robotten til at kræve mindre og mindre opmærksomhed ved at implementere supervisorernes feedback til yderligere AI-færdigheder, efterhånden som robotten påtager sig mere og mere af beslutningsprocessen.

Selvfølgelig er last-mile levering kun en af ​​mange praktiske applikationer til praktisk autonomi, og ved at lade robotterne lære mere avancerede færdigheder med varierende kontekster og scenarier – kan vejen mod at konvergere på ægte, fuldstændig autonomi være tættere på, end vi kan forestille os.

anbefalet Indlæg

Matteo Shapira
Medstifter og Chief Experience Officer at FORLÆNG
Matteo er medstifter og CXO af XTEND, leverandør af menneskestyrede autonome maskinsystemer, der gør det muligt for enhver operatør at udføre nøjagtige manøvrer og handlinger i ethvert miljø med minimal træning. Virksomhedens patenterede XOS-operativsystem fusionerer det bedste af menneskelig intelligens og maskinautonomi for at forbedre operatørens evner og samtidig reducere behovet for fysisk konfrontation og derved minimere tilskadekomne og kvæstelser. Hundredvis af XTENDs systemer er allerede operationelt installeret over hele verden.
Matteo Shapira
Seneste indlæg af Matteo Shapira (se alle)

Tidsstempel:

Mere fra Supply Chain Beyond