Peneliti dari Jerman dan Kanada mengembangkan metode AI baru untuk robot pemetik
Amadeus Bramsiepe, KITDalam proyek penelitian FLAIROP, robot otonom memproses barang di beberapa stasiun pemetik dengan cara mencengkeram dan memindahkan. Proses produksi, pergudangan, pengiriman - tempat barang diproduksi, disimpan, disortir, atau dikemas, pemetikan juga dilakukan. Ini berarti beberapa barang dikeluarkan dari unit penyimpanan seperti kotak atau karton dan disusun kembali. Peneliti di Institut Teknologi Karlsruhe (KIT), bersama dengan mitra dari Jerman dan Kanada, ingin membuat robot pemetik lebih cerdas menggunakan metode AI terdistribusi. Untuk melakukannya, mereka menyelidiki cara menggunakan data pelatihan dari beberapa stasiun, dari beberapa pabrik, atau bahkan perusahaan tanpa mengharuskan peserta menyerahkan data perusahaan yang sensitif.
"Kami menyelidiki bagaimana data pelatihan yang paling serbaguna dari beberapa lokasi dapat digunakan untuk mengembangkan solusi yang lebih tangguh dan efisien menggunakan algoritme kecerdasan buatan daripada hanya dengan data dari satu robot," kata Jonathan Auberle dari Institut Penanganan Material dan Logistik (IFL) di KIT. Dalam proses tersebut, item diproses lebih lanjut oleh robot otonom di beberapa stasiun pengambilan dengan cara mencengkeram dan mentransfer. Di berbagai stasiun, robot dilatih dengan artikel yang sangat berbeda. Pada akhirnya, mereka harus dapat mengambil artikel dari stasiun lain yang belum mereka pelajari.
"Melalui pendekatan pembelajaran terfederasi, kami menyeimbangkan keragaman data dan keamanan data dalam lingkungan industri," kata pakar tersebut.
Algoritme canggih untuk industri dan logistik 4.0
"Sampai saat ini, pembelajaran terfederasi telah digunakan terutama di sektor medis untuk analisis gambar, di mana perlindungan data pasien merupakan prioritas yang sangat tinggi," jelas Auberle. Akibatnya, katanya, tidak ada pertukaran data pelatihan seperti gambar atau titik pengambilan untuk melatih jaringan saraf tiruan. Sebaliknya, hanya bobot lokal jaringan saraf, yaitu bagian dari pengetahuan yang tersimpan, yang ditransfer ke server pusat.
"Di sana, bobot dari semua stasiun dikumpulkan dan dioptimalkan menggunakan berbagai kriteria. Kemudian versi yang ditingkatkan diputar kembali ke stasiun lokal dan prosesnya berulang." Tujuannya adalah untuk mengembangkan algoritma baru yang lebih canggih untuk penggunaan kecerdasan buatan yang tangguh bagi industri dan Logistik 4.0 sekaligus mematuhi pedoman perlindungan data.
Selama proyek berlangsung, total empat stasiun pengambilan otomatis akan disiapkan untuk melatih robot: Dua di Institut KIT untuk Penanganan Material dan Logistik (IFL) dan dua di perusahaan Festo SE yang berpusat di Esslingen am Neckar.
"Dalam proyek penelitian FLAIROP, kami mengembangkan cara baru bagi robot untuk belajar dari satu sama lain tanpa berbagi data sensitif dan rahasia perusahaan. Hal ini membawa dua manfaat utama: kami melindungi data pelanggan kami dan kami memperoleh kecepatan karena robot dapat mengambil alih banyak tugas dengan lebih cepat. Dengan cara ini, robot kolaboratif dapat, misalnya, mendukung pekerja produksi dengan tugas yang berulang, berat, dan melelahkan", kata Jan Seyler, Kepala Pengembangan Lanjutan, Analisis, dan Kontrol di Festo SE & Co. KG.
“DarwinAI sangat senang menyediakan platform Explainable (XAI) kami untuk proyek FLAIROP dan senang bekerja dengan organisasi akademis Kanada dan Jerman yang terhormat dan mitra industri kami, Festo. Kami berharap bahwa teknologi XAI kami akan memungkinkan proses human-in-the-loop bernilai tinggi untuk proyek yang menarik ini, yang merupakan aspek penting dari penawaran kami di samping pendekatan baru kami terhadap Pembelajaran Terfederasi. Berakar pada penelitian akademis, kami sangat antusias dengan kolaborasi ini dan manfaat industri dari pendekatan baru kami untuk berbagai pelanggan manufaktur", kata Sheldon Fernandez, CEO, DarwinAI.
“Universitas Waterloo sangat gembira dapat bekerja sama dengan Institut Teknologi Karlsruhe dan pemimpin otomasi industri global seperti Festo untuk menghadirkan kecerdasan buatan generasi berikutnya yang dapat dipercaya untuk manufaktur. Dengan memanfaatkan AI yang Dapat Dijelaskan (XAI) dan Pembelajaran Terfederasi DarwinAI, kami dapat mengaktifkan solusi AI untuk membantu mendukung pekerja pabrik dalam tugas produksi harian mereka guna memaksimalkan efisiensi, produktivitas, dan keselamatan”, kata Dr. Alexander Wong, Co-director Vision and Image Processing Research Group, Universitas Waterloo, dan Kepala Ilmuwan di DarwinAI.
Share this post