Bild: AdobeStock, Gorodenkoff Productions OU
Forskningsprojekt Vi kombinerar senaste rön inom maskininlärning, molnteknik och robotik för att skapa nya, avancerade lösningar. Det handlar om ett paradigmskifte, med målet att kunna använda molnbaserade resurser för att göra robotar smartare, mer flexibla och med förmåga att arbeta i realtid. Lösningen är skalbar, vilket betyder att den kan hantera och koordinera många robotar samtidigt.
Autonoma robotsystem som kan greppa och manipulera objekt i sin omgivning för att utföra komplexa uppgifter har varit målet för forskningen inom området i årtionden. Utvecklingen skulle medföra nya produktivitets- och säkerhetsförbättringar för det industrialiserade och snabbt IT-mässigt "åldrade" samhället. Vårt fokus ligger på att uppnå ett genombrott och uppdatera de grundläggande algoritmerna men också utveckla nya lösningar inom maskininlärning och systemdesignkrav för skalning av nätverksbaserade, distribuerade robotmanipulationssystem till ett stort nätverk av moln-anslutna robotar.
Mer än 3 miljoner industriella robotsystem beräknas vara i drift världen över. Systemen drar i dagsläget inte nytta av nätverkseffekten i stor skala eftersom de oftast är manuellt programmerade, inte delar information, eller lär sig av varandra på ett storskaligt datadrivet sätt. Som ett resultat av detta är de dominerande tillämpningarna av industriell robotmanipulation fortfarande mycket begränsad till specifika uppgifter i kontrollerade miljöer, såsom industriell svetsning, pick-and-place och palleteringsuppgifter.
De snabba framstegen inom maskininlärningstillämpningar, särskilt inom områden som taligenkänning och datorseende, har drivits av en mängd faktorer som främst är relaterade till att utveckla system i stor skala.
I synnerhet har prestandagenombrott möjliggjorts av dels skalbara maskininlärningsalgoritmer, dels storskalig insamling och bearbetning av träningsdata, liksom molnberäkning. Detta gör det möjligt att dynamiskt allokera resurser lokalt, beroende på maskininlärningsuppgiftens krav.
Intelligent Cloud Robotics for Real-Time Manipulation at Scale är ett samarbete med Florian Pokorny universitetslektor vid Robotik, perception och lärande, KTH och Martina Maggio, professor vid institutionen för reglerteknik, Lunds universitet.
I detta tvärvetenskapliga projekt, med finansiering om 20 miljoner SEK av WASP, Wallenberg AI, Autonomous Distributed Systems and Software Program utvecklar vi nya möjligheter med en kombination av maskininlärning, robotik, molnbaserad databehandling och realtidsstyrning. Fokus ligger på att uppnå ett genombrott och uppdatera de grundläggande algoritmerna men också utveckla nya lösningar inom maskininlärning och systemdesignkrav för skalning av nätverksbaserade, distribuerade robotmanipulationssystem till ett stort nätverk av moln-anslutna robotar.
Vi ser framför oss att detta nätverk kontinuerligt har förmåga att samla in mycket storskaliga träningsdata för manipulation, och att det dynamiskt lär sig av tidigare erfarenheter med hjälp av så kallad federerad maskininlärning. Metoden gör det möjligt för robotar att balansera mellan dels centraliserad maskininlärning i molnet och lokal bearbetning av information med hjälp av varje enskild robots beräkningsresurser. Detta samtidigt som realtidskontroll och begränsningar av nätverksbandbredd införlivas.
Vårt konsortium har för avsikt att bana väg för detta nya paradigm av molnbaserad robotteknik med hjälp av ett robotsystem där ett stort antal kostnadseffektiva robotarmsystem i miniatyr kopplas till fjärrstyrda molnbaserade datorresurser. Planerad omfattning är cirka 100 kostnadseffektiva robotarmar som kommer att kunna arbeta parallellt. En första demonstration av vår metod på en mindre uppsättning tillgängliga ABB Yumi-robotar med högre precision kommer också att presenteras.
Vi kommer därefter att använda vårt demonstrationssystem för att studera grundläggande forskningsutmaningar, inklusive frågor om: de fundamentala datakraven för maskininlärningsmetoder i samband med robotmanipulation; utvecklingen av federerade maskininlärningsmetoder i ett molnbaserat nätverk av robotar; resurshantering samt; utvecklingen av rigorös storskalig experimentdesign och testning samt realtidskontrollstrategier för datadriven robotmanipulation av nätverksorkestrerad parallellitet för allra första gången.
