首页 > 科技快讯 > 借助人工智能,仓库机器人的技能又提高了

借助人工智能,仓库机器人的技能又提高了

神译局是36氪旗下编译团队,关注科技、商业、职场、生活等领域,重点介绍国外的新技术、新观点、新风向。

编者按:如今,机器人走进工厂和仓库,已经不是稀奇的事情了。然而,大多数机器人都还是非常笨拙的,设计上也存在许多不足,而且可能也只能抓取特定外形的物品。这篇文章,原标题是AI Helps Warehouse Robots Pick Up New Tricks,作者WILL KNIGHT在文中介绍了加州大学伯克利分校深度学习与机器人学大牛Pieter Abbeel与几位华人学生创业,并研发出具有更高精准和可靠性的机器人。

借助人工智能,仓库机器人的技能又提高了

图片来源:Magnus Pettersson/Covariant.AI

在人工智能领域,包括机器学习领域两大鼻祖在内的多位大牛都一致认为,巧妙的算法将会让工业机器人的能力实现质的飞跃。

杰弗里·辛顿(Geoffrey Hinton)与杨立昆(Yann LeCun)这两大鼻祖,与蒙特利尔大学教授尤舒亚·本吉奥(Yoshua Bengio),因在深度学习领域做出的贡献,共同获得了2018年图灵奖。

他们三位也是研发仓库挑拣机器人的人工智能初创公司Covariant.ai的投资人。

Covariant.ai公司所研发的计算机平台,除了有配备摄像头的成品机器人手臂、一个专用抓手装置之外,还有非常强大的计算能力,能够计算并确认如何抓取仓库挑拣篮的物品。

前不久,这家初创公司公布了其研发并已经投入商用的首款人工智能机器人装备。这款机器人,主要功能是挑拣产品包装盒和包装袋,目前已在德国电子产品零售商Obeta公司投入使用。

你可能会认为,挑拣日常的包装盒以及塑料包装袋,听起来也没有特别之处,而且基本上这类工作也是人工作业的。

工厂及仓库中的工人,可能会经常被要求使用新投入的操作工具,有时候可能还是一系列不同的工具。然而,对于机器人而言,要想快速学习如何抓取另一种物品,可能就相对困难了。

如今,在工厂和仓库中已经投入使用的机器人,大多数都还是非常笨拙的,设计上也存在许多不足。在如今的人工智能及机器人研究领域,要研究如何让机器人去抓取不熟悉或者是外形复杂的物品,仍然是一个棘手课题。

近年来,许多研发制造机器人的初创公司如雨后春笋般地出现,他们都基本上采用了非常简单的算法,来执行挑拣仓库中部分物品等日常工作。

在这个领域,知名企业包括Plus One Robotics、Picnic,以及RightHand Robotics等公司。

对于初创企业而言,通过更安全的机器人手臂、定制化的抓手装置、成品感应器以及机器人视觉与控制的开源代码,能够赋予机器人新的“使命”,比如在仓库内部运输产品,或者将货架上的纸箱取下来等等。

目前,Covariant.ai公司还没能研发出一款能够像人类一样灵活变通的机器人,但它成功地将一项叫做强化学习(reinforcement learning)的研究技术,运用到了工业背景下。

在实际运用过程中,如果要想让机器人学习,又不希望机器人犯错,是几乎不可能的事情。商用机器人装备,还需要更高的精准性与可靠性。

成立于2017年的Covariant.ai公司,是由美国加州大学伯克利分校(UC Berkeley)人工智能领域的知名教授皮特·阿贝尔(Pieter Abbeel)和他的几位学生一起创立的。

阿贝尔教授是将深度强化学习应用在机器人方面的先驱人物。2010年,他研发了一款能够叠衣服的机器人(尽管速度很慢),并因此在学术圈名声大噪。

借助一系列人工智能技术,Covariant.ai公司主要在研究如何让机器人抓取不熟悉的物品。其中,就包括强化学习技术,让算法在不断的尝试与失败之中不断提高其可靠性。这有点像动物通过积极反馈与消极反馈来学习的过程。

强化学习,近来一直在推动人工智能领域的重大突破。其中,就包括谷歌母公司Alphabet公司旗下的人工智能公司DeepMind研发的超凡博弈算法。

这种博弈算法,可以让机器人通过视频图像识别物品的形状,了解在哪里如何去抓取这个物品。

然而,强化学习非常复杂,并且需要强大的计算能力。“实际上,我以前一直对强化学习持怀疑态度,但现在我不再怀疑了。”多伦多大学特聘教授杰弗里·辛顿(Geoffrey Hinton)称。

据辛顿教授称,要想让强化学习正常工作,其需要的计算能力通常都会让人觉得“望而却步”。因此,能够将之成功投入商用,必然会引起不少人的注目。

辛顿教授还提到,更加令人印象深刻的是,Covariant.ai公司的系统已经在商用背景下运行了相当长的一段时间了。

借助人工智能,仓库机器人的技能又提高了

段岩(Rocky Duan,首席技术官,左一),张天浩(研究科学家,左二), 皮特·阿贝尔(Pieter Abbeel,右二),陈曦(Peter Chen,首席执行官,右一)。图片来源:Elena Zhukova/Covariant.AI

据阿贝尔称,除了强化学习之外,Covariant.ai公司研发的机器人,还结合了模仿学习(imitation learning)的技术,通过观察感知演示来学习,并且通过另一种元学习(meta-learning,即学会如何学习)的算法,来进一步理解。

阿贝尔还补充说,等新一批装备到达后,这套系统还可以进一步调整和提高。“这是‘即拿即用’的训练,”阿贝尔称,“我也相信,在现实生活中,没有第二家公司能做到这样。”

其他投资于Covariant.ai公司的大牛还包括:谷歌人工智能团队Google Brain的负责人杰夫·迪恩(Jeff Dean),前斯坦福大学人工智能实验室(SAIL)负责人李飞飞(Fei-Fei Li),以及麻省理工学院计算机科学与人工智能实验室(MIT CSAIL)负责人丹妮拉·鲁斯(Daniela Rus)。

由于商业竞争关系,Covariant.ai公司并没有完全公开其核心技术细节。因此,我们也很难精准地判断,其系统在多大程度上依赖于先进的人工智能技术。

麦洛妮·怀斯(Melonee Wise)是仓库智能移动机器人公司Fetch Robots的首席执行官。她说,对于一项具体抓取任务而言,在实现精准性和可靠性方面,实际上并不需要太多的人工智能。

如果系统设计精细,相关物品差异也不大的话,那即便是稍微笨拙的系统,配备一个灵巧的抓手装置,通常也能够完成挑拣工作的。

“在我看来,核心解决方案,仍然是设计专用的抓手装置,同时配备相应的配套工具。”怀斯说。

然而,在工业自动化领域,人工智能已经发挥着越来越重要的作用。借助人工智能,如果能自动化目前需要人工作业的工作的话,这还是能产生比较深远的影响的。

据非盈利专业化组织国际机器人联合会(International Federation of Robotics,IFR)称,目前对机器人的需求,已经进入了快速增长阶段。

2018年,全球工业机器人出货量为42.2万台,同比2017年增加6%。其中,协作机器人出货量接近1.4万台,相比2017年的1.11万台同比增长了23%。

据IFR预测,2020年至2022年间,全球工业机器人出货量将实现12%的年平均增长率。

就机器人研发制造领域,不少成熟大型的公司都注意到了Covariant.ai公司。

去年,全球领先工业机器人技术供应商ABB希望寻找能够帮助其实现仓库自动化的公司。ABB向Covariant.ai等多家公司寄送了各种适用于其系统的物品包装箱,让他们通过受控实验测试挑拣这些包装箱。

据ABB全球服务机器人技术总监马克·塞古拉(Marc Segura)称,Covariant.ai是唯一能够在没有任何失误的前提下,成功抓取各种类型包装箱的公司。

“每次只要涉及到抓取不熟悉的物品,最擅长的总是Covariant.ai。”塞古拉说。据他预估,在接下来几年中,Covariant.ai公司的目标市场,可能会增长至数十亿美元的规模。

除此之外,Covariant.ai公司也在跟德国自动化系统公司克纳普(Knapp)合作,希望能够在德国正式投产其第一套系统。

克纳普公司负责创新发展的副总裁彼得·普切温(Peter Puchwein)称,Covariant.ai公司的机器人,甚至能抓取透明袋子中的物品,而摄像机却很难去识别这些物品,因此,他对这家公司的机器人印象特别深刻。

“即便对于人类而言,如果一个纸箱里有20个用透明塑料袋包装的物品,你也很难精准地把其中一个物品拿出来。”普切温说。

普切温还提到,从最开始的时候,这套系统就能达到人工挑拣工的工作效率,但更重要的是,这套系统永远都不会觉得疲惫。据他预计,在接下来的几个月时间里,克纳普还将从Covariant.ai公司引入几十个其研发的机器人。

“所有来公司参观的客户都表示,他们对这些机器人非常感兴趣。”普切温说。

译者:俊一

相关推荐

借助人工智能,仓库机器人的技能又提高了
亚马逊最头疼的仓库难题,正在被这家机器人公司突破
AI、Alexa和仓库机器人:亚马逊是如何规划未来的?
人工智能秘史(一):会下棋的土耳其机器人
人工智能来了,是入侵,还是双赢?
实访亚马逊仓库:在机器人面前,员工玩起了“打地鼠游戏”
2020最热门工作岗位预测:人工智能、机器人工程师与数据科学家荣登Linkedin报告新兴职业前三
AI机器人大规模上岗之后,我们会变得更好吗?
最生动的机器人终于要上市了,它能干嘛?
极智嘉携新品亮相2019亚洲物流展:推出柔性无人仓解决方案和小型搬运机器人

网址: 借助人工智能,仓库机器人的技能又提高了 http://m.xishuta.com/newsview18278.html

所属分类:互联网创业