在現實世界拓展機器學習應用的三種方法

2020.02.20 by
Bastiane Huang
Bastiane Huang 查看更多文章

目前在舊金山擔任 AI/Robotics新創公司OSARO的產品經理,專注於開發機器學習軟體,用於機器人視覺和控制。擁有近10年產品及市場開發管理經驗,並在美國《機器人商業評論》及《哈佛商業評論》發表文章及個案研究。如果你也對Robotics 2.0(AI-Enabled Robotics)、產品管理、Future of Work有興趣,歡迎追蹤bastianehuang.substack.com

在現實世界拓展機器學習應用的三種方法
maxuser via shutterstock
在NeurIPS向AI世界發出警鐘的同時,前陣子於日本舉辦的國際機器人展覽會上,各大機器人廠商為機器學習技術的落地,紛紛秀出了務實的解決方案。

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

每日精選科技圈重要消息