Finaliza el proyecto de investigación internacional FLAIROP centrado en compartir el conocimiento de la IA para la recolección de objetos con robots industriales
En las instalaciones de Festo en Esslingen-Berkheim (Alemania) se han presentado los resultados del proyecto internacional FLAIROP (Federated Learning for Robot Picking), una investigación que ha contado con la financiación del Ministerio Federal de Economía y Acción por el Clima de Alemania en el que han colaborado el instituto KIT (Karlsruher Institut für Technologie) y la Universidad de Waterloo, Darwin AI de Canadá.
Durante los dos años que ha durado la investigación, Festo ha aportado su experiencia y tecnología para que los robots para el picking de piezas sean más inteligentes mediante softwares controlados por IA. Concretamente se ha profundizado en el desarrollo de la inteligencia artificial para que los robots puedan aprender unos de otros sin compartir sus datos de entrenamiento. Este enfoque, llamado “Federated Learning” (Aprendizaje federado), facilita el desarrollo de una IA más eficiente sin que se tenga que compartir los datos confidenciales de cada empresa. Para llevar a cabo el proyecto se instalaron cinco estaciones de preparación de pedidos autónomas para el entrenamiento de los robots en distintos centros de investigación.
Al evento de presentación han acudido los participantes del proyecto, representantes de las instituciones públicas y clientes interesados, en donde se presentaron desde Canadá los resultados en directo. El aprendizaje federado es una técnica de aprendizaje automático para crear aplicaciones de inteligencia artificial que preservan la privacidad. En lugar de enviar los datos de entrenamiento de los brazos robóticos en las células de preparación a un servidor central para entrenar el modelo allí, el entrenamiento se lleva a cabo en muchos lugares diferentes. Luego, los modelos entrenados localmente se envían al servidor central de aprendizaje automático para que los datos confidenciales de entrenamiento no abandonen el proveedor de datos. Sin embargo, el aprendizaje federado permite el aprendizaje a través de silos de datos al agregar los modelos distribuidos y, en última instancia, permitir una predicción altamente precisa y basada en datos del reconocimiento de objetos y la detección de puntos de comprensión.
«Estamos orgullosos de haber logrado demostrar que los robots pueden aprender unos de otros sin compartir datos confidenciales ni secretos de la empresa. Esto protege los datos de nuestros clientes y también ganamos velocidad porque de esta manera los robots pueden realizar muchas tareas más rápidamente. Por ejemplo, los robots colaborativos pueden ayudar a los trabajadores de producción con tareas repetitivas, pesadas y agotadoras», afirma Jan Seyler, Director de Análisis y Control de Desarrollo Avanzado.
«Hemos desarrollado un conjunto de datos universal basado en simulación que podemos utilizar para entrenar robots de agarre autónomos de tal manera que sean capaces de agarrar de forma fiable objetos que nunca antes habían visto», explica Maximilian Gilles de KIT. En el futuro, se seguirá desarrollando el Sistema de Aprendizaje Federado para que la plataforma permita a diferentes empresas entrenar sistemas robóticos juntos sin tener que compartir datos entre sí. Esto puede aumentar la aceptación de tales sistemas en la práctica.
Los brazos robóticos de las células de preparación de pedidos están equipados con cámaras de visión artificial para detectar visualmente los artículos que tienen delante. A partir de la imagen de la cámara, los brazos robóticos reconocen automáticamente los diferentes objetos y seleccionan el sistema de agarre adecuado. Debido a la variedad de artículos en un almacén, esta es una tarea complicada y se necesitan grandes cantidades de datos para lograr resultados razonables. Crear cantidades tan grandes de datos lleva mucho tiempo. Con los datos recopilados de las células de recolección en diferentes organizaciones, fue posible mejorar la detección del punto de agarre de las células.
«Mostramos en qué productos de Festo se puede incorporar. Los resultados de la investigación se publicarán ahora y podrán ser utilizados libremente por todas las partes interesadas en proyectos piloto iniciales», afirmó Jan Seyler, entusiasmado con la utilidad que desde Festo podrán dar a su tecnología.
Fuente: Festo.com