Pick-and-place robots worden vaak gebruikt voor automatisering in productieomgevingen met een hoge doorvoer. Conventionele systemen zijn echter meestal afgestemd op specifieke productafmetingen en -vormen. AI kan ervoor zorgen dat ze zelfs in uitdagende situaties kunnen functioneren.
Vooral in de e-commerce, waar vaak meerdere verschillende artikelen per bestelling worden verzameld, vereist het gebruik van traditionele systemen complexe aanpassingen of programmering. Bovendien kunnen robots niet van nature de aard van de artikelen inschatten en bepalen hoe ze ermee om moeten gaan; ze moeten voor elk product afzonderlijk worden getraind. Het systeem maakt bijvoorbeeld geen onderscheid tussen breekbare glazen voorwerpen en robuuste metalen producten. Daardoor pakt de robotarm een gloeilamp met dezelfde kracht op als een zwaar gereedschap.
Zelfs wanneer een order een productgroep betreft die specifiek is afgestemd op de robot, kunnen producten soms onbedoeld in de knoop raken of in een onhandige positie in de container terechtkomen. In dergelijke situaties vereisen conventionele oplossingen menselijke tussenkomst om een succesvolle orderverzameling te garanderen. Een ander nadeel is het gebrek aan integratie in bestaande, netwerkgebaseerde productieomgevingen. Dit beperkt de compatibiliteit met andere machines en systemen aanzienlijk, wat leidt tot geïsoleerde oplossingen. Vooral in sterk gedigitaliseerde magazijnen is de integratie van diverse softwareprogramma's via een moderne interface-infrastructuur essentieel.
Moderne problemen
Om autonoom en zonder menselijke tussenkomst te kunnen werken, zelfs in complexe productieomgevingen, moeten pick-and-place-systemen gemoderniseerd worden. Dit omvat met name het betrouwbaar categoriseren van verschillende productgroepen en het zelfstandig vinden van geschikte oplossingsstrategieën – zelfs voor voorheen onbekende objecten. Om dit te bereiken, moet de robot flexibel kunnen schakelen tussen verschillende grijpsystemen, afhankelijk van het te hanteren product. Om de werkdruk voor medewerkers te minimaliseren, moet de oplossing ook beschadigde items kunnen detecteren en automatisch verwijderen. Als een medewerker nog steeds nodig is voor instructies of feedback, moet de communicatie tussen mens en machine eenvoudig en realtime zijn. De implementatie van AI is essentieel om dit alles in de praktijk te brengen.
Foto's: Sereact
De combinatie van AI en pickingrobots leidt tot een aanzienlijke efficiëntieverhoging in de orderverwerking. Technologische koplopers op het gebied van pickingrobots richten zich met name op het gebruik van Vision Language Models (VLM's). VLM's zijn een combinatie van AI-gebaseerde visuele en linguïstische modellen die beelden kunnen koppelen aan de bijbehorende tekstuele beschrijvingen. Wanneer deze modellen worden uitgebreid met actieparameters, worden het Vision Language Action Models (VLAM's). Een voorbeeld van een VLAM in de robotica is PickGPT van de in Stuttgart gevestigde softwareontwikkelaar Sereact. Dit systeem is ontworpen om natuurlijke taal te begrijpen en deze kennis te gebruiken om de omgeving nauwkeurig te analyseren en autonoom te handelen. Hoewel het model autonoom werkt, wordt naadloze communicatie met menselijke medewerkers via spraak- en tekstcommando's te allen tijde ondersteund. AI-gebaseerde pick-and-place-systemen werken ook op basis van "zero-shot learning".
Vprofiteert van AI
Zero-shot learning is een concept binnen machine learning waarmee een model nieuwe objectclassificaties kan herkennen zonder deze tijdens de training te hebben gezien. Hierdoor kan het systeem in de praktijk zelfstandig reageren en handelen, zelfs in onbekende picksituaties. Producten worden in realtime geïdentificeerd en geïnterpreteerd op basis van hun uiterlijk. Het systeem houdt rekening met hun specifieke kenmerken, zoals vorm, kleur, gewicht en textuur, en selecteert zelfstandig de juiste pickmethode.
De software kan worden geïntegreerd in diverse magazijnsystemen en is bovendien hardware-onafhankelijk. Daardoor is de software ook geschikt voor magazijnen met traditionele pick-and-place-systemen, omdat deze kan worden geïntegreerd met een breed scala aan robotcomponenten.
Zelfs bij kleine afwijkingen, zoals een andere productplaatsing in de verpakking of verschillende vormen – bijvoorbeeld een appel die er anders uitziet dan een andere – tonen de systemen hun sterke punten aan.
