在現實世界拓展機器學習應用的三種方法
在現實世界拓展機器學習應用的三種方法

稱為NeurIPS(神經資訊處理系統會議)的全球人工智慧領域盛會剛剛結束,出席者人數創下歷史新高,即使採取抽票制也難以容納。9,000張門票在12分鐘內售完,顯示了世界各地對AI興趣的爆炸性增長。

然而,儘管AI創新走出學術界,開始在產業界出現,大多數公司在落實AI解決方案時仍然面臨困難。在NeurIPS向AI世界發出警鐘的同時,機器人產業似乎對機器學習(ML)解決方案落地有更務實的考量。

推薦閱讀:AI機器人將會如何顛覆製造業?

我任職的公司提供機器學習軟體,使工廠和倉庫中有更多具自主性和更靈巧的機器人。為了彌補技術和產品落地中間的差距,我們和機器人公司與系統集成商密切合作,將最前端的機器學習研究產品化。

日前我飛到東京,參加全球最大規模的機器人展會「國際機器人展覽會」(IREX);在這裡,領先的機器人公司展示了將AI以及ML應用在機器人領域的各種方法。

從「自動化」到真正「自主化」,AI造就的機器人技術領域,最大成果是從原先的「自動化」(工程師藉由程式設計編寫規則,讓機器人遵守)邁向了真正的「自主學習」。

在先前的文章中,我談到AI如何造就新一代機器人2.0時代。傳統機器人主要用於大規模生產線,工程師事先編寫程式,讓機器以高精度、高速度執行相同的任務,但機器本身無法對變化或意外做出反應,因此彈性有所不足。

然而,隨著消費者對客製化產品需求的增長、和勞動力的不斷萎縮,我們需要更加自主和靈活的機器人。

也因此,有公司開始嘗試將ML應用於機器人領域,使新一代的機器人能夠處理傳統機器人無法完成的供作。在IREX中,我們看到了ML用於改善機器人的視覺、控制、以及提高真實使用案例的擴增性。

【延伸閱讀】Robotics 2.0(1)— AI重新定義機器人

機器視覺:在識別、可擴充性和自主學習方面的突破

即使是最先進的3D結構化光相機也難以識別具有透明封裝、反射或深色表面的物體,因為光線會散射或被吸收。

由於物品相互重疊,雜亂堆放的場景帶來了更多的挑戰。這就是為什麼大多數製造商都使用振動台,或零件進料器來分散物品的原因。

此外,傳統的機器視覺系統不夠靈活:你需要通過事先上傳每樣物品的3D 模型來登錄物件,以便後續進行影像及物件本身的匹配。只要過程中有任何一個小變化,都必須重新登錄物件、或是修改程式設計。

但是現在,隨著在深度學習、語義分割和場景理解等領域的進步,我們逐漸可以用一般相機來識別透明的、或是會反光的包裝。

在FANUC的展位上,「LR Mate 200iD」拾箱機器人利用深度學習演算法、以及3D視覺感應器,來示範拾取隨機放置在一個箱子裡的相同的金屬零件。FANUC表示,由於他們的系統可以即時執行3D圖像及物件比對,所以不需要預先登錄。

在FANUC展台旁邊的川崎重工(KHI),則利用來自Photoneo和Ascent兩家新創公司的ML技術,展示了類似的隨機物件揀選方案;在另外一邊,KHI則與Dexterity公司合作,展示了機器人可以同時處理、搬運各種尺寸盒子的自動處理存貨解決方案。

在另一個展覽大廳,日本機器手臂大廠DensoWave以及舊金山的ML新創公司OSARO首次展示了「物件方向辨識」(Orientation)功能,讓機器人可以從雜亂的箱子裡取出透明瓶子;不僅能夠識別最佳拾取點,而且還能識別物體方向、並將瓶口朝上放上輸送帶。

DensoWave機器人事業部總經理Yosuke Sawada評論:「OSARO新開發的『定向』功能是客戶一直在等待的技術之一。此一令人興奮的新功能,有助於識別對機器人較為困難(例如透明)的物品,並提高操作員和工廠自動系統的揀選率。」

在這項展示中,使用的瓶子是完全透明的,因此很難用傳統的機器視覺感應器識別;而且,過去還沒有其他公司展示過類似的功能。

這項讓技術機器手臂不僅可用於簡單的拾取和放置,還可用於更複雜的零件裝備(kitting)、包裝(packaging)、機器裝載(machine loading)、以及裝配(assembly)等工作。

機器控制:智慧放置和品項處理

作為人類,我們從出生起就不斷練習撿拾和放置各種物品,因此可以不假思索就本能地完成這些工作。但是機器沒有這種經驗,必須重新學習這些任務。

尤其是在對產品包裝特別要求的日本市場,各項商品都需要被精心包裝,確保物件和外包裝的完整性,沒有任何缺損。

利用ML,機器現在可以更準確地判斷深度。ML模型還可以通過訓練學習,自動判定物體的方向和形狀,例如杯子是朝上或向下,或處於其他狀態。

物件建模或體素化可用於預測和重建 3D 物件。它們使機器能夠更準確地預測實際物品的大小和形狀,從而將物料放置在所需位置。

這些技術使機器能更準確預測實際物品的大小和形狀,從而將物料放置在所需位置;因此,也讓以產品品項(SKU)為基礎的處理方式得以實現:機器人可以根據物品的脆弱或易碎程度,選擇將物品輕輕放下、或是快速放置。

因此,我們可以藉由自動改變處理方式,讓系統處理量最佳化,而又不會損壞任何物品。

在展會中,也有些公司也開始在運動規劃中,嘗試使用強化學習或機器學習技術。例如日本新創Acsent展示了一段利用「強化學習」來組合兩個部件的影片;而機器手臂大廠「安川」(Yaskawa)也談到了在路徑規劃中使用機器學習的潛在好處。

但是,如果上述的機器學習改進,需要大量資料和長時間的訓練,就會造成在實際執行上的困難。在機器人和自動駕駛汽車等實際應用中,獲取訓練資料既有難度、成本也相當昂貴;這就是為什麼我對於IREX中提及的資料效率(data efficiency)問題特別關注。

適用於現實世界的可擴充性:資料效率

Yaskawa去年為開發工業機器人AI解決方案而成立的新公司「AI Cube Inc.」(AI3),在IREX的發表會中推出了為企業將機器學習模型數位化的工具「Alliom」。
根據AI Cube的說法,Alliom 提供了一個模擬環境(simulation),用於進行資料擴充(data augmentation)、並生成類似真實物件的合成資料(synthetic data)。

Yaskawa利用Alliom加快了ML模型隨機揀料的訓練過程,並希望在不久的將來,能將該解決方案擴展到各種其他應用之中。

這也表示,機器人產業已經超越了僅能引人注目的ML演算法,而開始考慮實際應用支援ML的機器人。ML解決方案不僅需要能夠成功運作,還必須能有效跨越各種使用場景、擴展用途,否則客戶很難有足夠誘因來引進這類系統。

結語

在上一篇文章中,我提到機器人公司正面臨「創新困境」:他們意識到創新的迫切需要,但仍然需要照顧他們的核心客層,也就是需要高速度、高精度工作能力的汽車業和製造業公司;然而,相對於其他市場對靈活性要求較高、也需要機器人能自主學習識別和處理各種元件,這一點是互相矛盾的。

在IREX,我們看到機器人巨頭與KHI與Photoneo、Dexterity、Ascent、DensoWave與OSARO、FANUC、以及Preferred Networks等新創公司聯合展出,顯示機器人公司正在改變並擁抱AI創新。但是,這樣的改變速度夠快嗎?

在汽車業,我們看到汽車OEM製造商在邁向自動駕駛的過渡中,與特斯拉和Waymo等新進者展開競爭;然而到目前為止,我們還沒有看到科技巨頭進入機器人產業。

但Google、DeepMind、Facebook都已經在機器人相關的ML方面,投入了可觀的研究團隊,真正進入機器人產業可能也只是時間上的問題。

未來幾年之中,觀察AI將如何顛覆機器人行業、重新洗牌,將會是很有趣的事情。科技巨頭、機器人製造商、電子汽車製造商、AI新創公司,誰將勝出?

最後,誰又能鞏固在AI定義機器人時代的領導地位?

(本文由Bastiane Huang授權轉載自其Medium)

責任編輯:陳建鈞

《數位時代》長期徵稿,針對時事科技議題,需要您的獨特觀點,歡迎各類專業人士來稿一起交流。投稿請寄edit@bnext.com.tw,文長至少800字,請附上個人100字內簡介,文章若採用將經編輯潤飾,如需改標會與您討論。

(觀點文章呈現多元意見,不代表《數位時代》的立場

往下滑看下一篇文章
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證
廢棄碳纖維也能變再生材料!天翊綠能靠低溫解聚技術,獲桃園SBIR助攻產品驗證

碳纖維因重量輕、強度高,廣泛應用於自行車、汽車、航太及無人機等產業,每公斤原生碳纖維價格可達數百元,部分高階材料甚至高達數千元。然而,這些高價材料製成複合材料後,生產過程產生的邊角料與廢棄物,卻因熱固性樹脂難以分離,往往只能焚化、掩埋或降級使用,讓耗費大量能源製造的碳纖維失去再利用價值。

「產業真正需要的不是把廢棄物處理掉,而是如何把裡面的碳纖維、玻璃纖維重新變成有市場價值的材料。」天翊綠能科技執行長莊文彥指出。深耕複合材料產業約20年的他,於2023年成立天翊,希望透過自主開發的低溫常壓解聚技術,讓廢棄複材重新回到製造業供應鏈。

低溫解聚保留纖維性能,從廢料處理走向材料再生

熱固性複合材料難以回收,關鍵在於樹脂固化後無法像一般塑膠重新加熱熔融。傳統高溫熱裂解雖能去除樹脂,卻可能損傷碳纖維性能;若回收碳纖維強度下降,製造商可能需要增加材料用量以滿足產品的強度要求,反而削弱碳纖維原有的輕量化優勢。

為突破限制,天翊開發低溫常壓化學解聚技術,在約90°C、常壓環境下分離樹脂與纖維,降低高溫處理對纖維性能的影響。不同於將樹脂直接燒除,天翊也推進樹脂回收再利用及化學溶劑循環,提高材料利用效率。根據天翊提供的第三方檢測結果,回收碳纖維在受測性能項目上的表現達原生材料的98%以上。團隊也將回收纖維製成再生碳纖維不織布、板材、塊材及工程材料。

莊文彥表示,再生碳纖維每公斤價格約150至300元,具備成本競爭潛力。天翊也規劃三層商業模式:取得合法處理資格後,協助製造商處理複材廢料並收取處理費;將回收纖維製成再生材料銷售;再與客戶共同開發終端零組件。「我們不希望公司的主要價值停留在『每公斤收多少處理費』,而是希望營收逐步往再生材料與高值應用移動。」莊文彥強調,讓回收材料具備市場需求,才是循環經濟能否持續運作的關鍵。

桃園 SBIR 助攻百公斤級驗證,跨越技術走向產品的關鍵門檻

對技術型新創而言,證明技術可行只是第一步。要讓再生材料進入製造業供應鏈,還必須建立可重複的處理流程、穩定的材料品質及產品驗證機制。這些工作需要投入設備、人力與檢測費用,對商業化初期的天翊而言,是不小的負擔。

在桃園市政府地方型SBIR計畫的研發經費支持下,天翊得以加速推進製程測試、材料檢測與產品驗證。莊文彥指出,過去團隊主要仰賴實務經驗調整回收製程,但要讓技術進入產業應用,還必須建立標準作業流程、進出料紀錄及材料品質數據。透過計畫,天翊逐步完善這些機制,並針對碳纖維自行車、碳纖維預浸布邊料、高壓氣瓶與車用零件等廢料進行測試,完成超過100公斤複材廢料的處理驗證,建立相應的操作條件。

除了製程驗證,補助也支持團隊將回收纖維製成不織布、模具及相關產品,確認再生材料能否符合實際需求。其中,以再生碳纖維氈製作的模具,相較原本的玻璃纖維模具,減重約56.96%;以再生碳纖維氈製作的產品,相較原本玻纖產品,減重約27.77%。這些成果讓天翊不再只能向客戶說明技術可行性,而能透過具體的材料與產品數據,爭取後續合作機會。

天翊也與既有下游夥伴推進汽車零組件應用,累積再生材料進入供應鏈所需的驗證經驗。「SBIR對我們而言,不只是補助研發,而是幫助公司跨過了『實驗室技術走向實際產品』非常重要的一段。」莊文彥表示,政府資源不僅分攤研發成本,更協助團隊補足商業化所需的品質管理與產品驗證基礎。

以桃園為循環基地,從碳纖維走向風機葉片回收

除了研發補助,桃園聚集電子、汽車、航空與複合材料產業,也讓天翊有機會就近尋找廢料來源、加工夥伴及應用客戶。此外,天翊與桃園市政府消防局就高壓氣瓶展開合作,嘗試將回收技術應用於地方政府實際產生的循環需求。團隊目前持續推進桃園廠區設置與再利用相關申請,希望建立「在地廢料、在地回收、在地再製」的產業模式。

不過,即使技術與產品驗證已取得初步成果,天翊仍須完成事業廢棄物再利用相關許可程序,才能依核准條件擴大收料與處理規模。漫長的審查過程雖然增加營運成本,但莊文彥認為,除了回收技術,合法處理資格、穩定料源與產品市場,同樣是建立長期競爭優勢的關鍵。天翊的長期目標則不止於碳纖維。莊文彥補充,當初投入低溫常壓解聚技術,也考量到未來大型風力發電機退役葉片的回收需求。風機葉片主要由玻璃纖維、樹脂及部分碳纖維構成,體積龐大且難以回收,隨著全球風電產業發展,退役葉片處理將成為重要課題。天翊也已取得風機葉片回收處理方法的臺灣發明專利與美國發明專利。

因此,團隊選擇先從材料價值較高的碳纖維切入,累積技術驗證、設備放大與商業化經驗,再逐步拓展至大型風機葉片。「我們希望證明,複合材料不是只能從製造走向廢棄,而是可以從廢棄再回到材料、再回到產業。天翊要做的,就是把這條循環真正建立起來。」莊文彥說。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂工業AI
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓