Get best of the week

Lagerroboter, die KI zum Sortieren von Artikeln verwenden, sind einsatzbereit

Das Berkeley-Startup Covariant trat aus den Schatten und glaubt, dass seine Roboter bereit sind, in die Welt einzutreten




Im Sommer 2018 stand ein kleines Startup aus Berkeley, das Roboter entwickelte, vor einer schwierigen Aufgabe. Knapp, ein bedeutender Anbieter von Lagerlogistiktechnologie, suchte nach einem neuen KI-gesteuerten Roboterarm, mit dem möglichst viele verschiedene Arten von Gegenständen erfasst werden können. Jede Woche, acht aufeinanderfolgende Wochen, schickte das Unternehmen eine Startliste mit immer komplexeren Artikeln - undurchsichtige Schachteln, transparente Schachteln, Arzneimittelverpackungen, Socken -, die die Produktpalette der Kunden des Unternehmens abdeckten. Das Startup kaufte solche Gegenstände und schickte eine Woche später ein Video, in dem ihr Roboruk Gegenstände von einem grauen Korb in einen anderen übertrug.

Am Ende der Quest wurde die Knapp-Führung besiegt. Seit sechs oder sieben Jahren geben sie vielen Startups erfolglos ähnliche Aufgaben, und auch diesmal erwarteten sie einen Misserfolg. Stattdessen hat der Roboterassistent des Startups in jedem Video jeden Gegenstand mit perfekter Genauigkeit und der richtigen Geschwindigkeit verschoben.

„Mit jedem nächsten Produkt erwarteten wir einen Misserfolg, da die Aufgabe immer komplexer wurde“, sagte Peter Pachwein, Vizepräsident für Innovation bei Knapp mit Hauptsitz in Österreich. „Es stellte sich jedoch heraus, dass sie erfolgreich waren und alles funktionierte. Wir haben noch nie einen so hochwertigen KI-Job gesehen. “


Covariant ist jetzt aus dem Schatten und kündigt eine Zusammenarbeit mit Knapp an. Seine Algorithmen funktionieren bereits in Knapp-Robotern in den Lagern zweier Firmenkunden. Einer von ihnen gehört dem deutschen Elektrogerätehersteller Obeta, und seit September arbeiten dort Roboter. Start-up-Mitbegründer sagen, Covariant stehe kurz davor, einen weiteren Deal mit einem anderen Industrieriesen-Fertigungsroboter abzuschließen.

Diese Nachricht symbolisiert eine Änderung des aktuellen Zustands der KI-Robotik. Solche Systeme waren auf ein künstliches akademisches Umfeld beschränkt. Aber jetzt behauptet Covariant, dass sein System die Arbeit auf die mit der realen Welt verbundenen Schwierigkeiten verallgemeinern kann und bereit ist, Lagerhäuser zu stürmen.

Lager haben Aufgaben für zwei Ausstattungsoptionen - für Maschinen mit Beinen, die hier und da Kisten bewegen, und für Maschinen mit Händen, die Gegenstände anheben und an der richtigen Stelle platzieren. Roboter sind seit langem in Lagern präsent, aber ihre Erfolge wurden hauptsächlich durch die Automatisierung der ersten Option begrenzt. „Menschen ziehen selten in ein modernes Lagerhaus“, sagt Peter Chen, Mitbegründer und Direktor von Covariant. "Die Übertragung von Dingen zwischen Fixpunkten ist ein Problem, das die Mechatronik sehr gut macht ."


Roboterarm in einem Büro von Covariant

Für die Handautomatisierung ist jedoch nicht nur die richtige Hardware erforderlich. Die Technologie muss sich schnell an eine Vielzahl von Formen und Größen von Produkten mit einer sich ständig ändernden Ausrichtung anpassen. Ein herkömmlicher Roboterarm kann so programmiert werden, dass er immer wieder genau dieselben Bewegungen ausführt. Er fällt jedoch aus, sobald er auf eine Abweichung stößt. Sie braucht KI, um zu „sehen“ und sich anzupassen, sonst wird sie nicht in der Lage sein, mit der sich entwickelnden Umgebung umzugehen. "Intelligenz ist für Geschicklichkeit erforderlich", sagt Chen.

In den letzten Jahren haben Forschungslabors beispiellose Erfolge bei der Kombination von KI und Robotik erzielt. Sie haben eine ähnliche Geschicklichkeit erreicht. Die Übertragung dieser Erfolge auf die reale Welt ist jedoch eine völlig andere Aufgabe. In Laboratorien ist eine Genauigkeit von 60-70% zulässig; Das reicht in der Produktion nicht aus. Und selbst mit einer Genauigkeit von 90% wäre ein Roboterarm ein „Wertverlust“, sagt Peter Abbil, Mitbegründer und Chefwissenschaftler bei Covariant.

Abbil und Chen schätzen, dass der Roboter eine Genauigkeit von 99-99,5% erreichen muss, um die Investition tatsächlich wieder zu erfassen. Nur dann kann er ohne häufiges Eingreifen des Menschen und ohne die Gefahr einer Verlangsamung des Förderers arbeiten. Nur die jüngsten Fortschritte beim Tiefenlernen und insbesondere beim verstärkten Lernen haben es jedoch ermöglicht, dieses Maß an Genauigkeit zu erreichen.


Das Büro in Covariant befindet sich vor der Küste der Bucht von San Francisco neben einem heruntergekommenen Parkplatz zwischen Reihen nicht markierter Gebäude. Im Inneren werden mehrere Industrieroboter und „Co-Bots“, Kollaborationsroboter, die für die sichere Arbeit mit Menschen entwickelt wurden, für die Arbeit mit allen möglichen Produkten geschult.

Covariant-Teammitglieder laufen regelmäßig zum örtlichen Geschäft, um verschiedene zufällige Gegenstände zu erhalten. Die Dinge reichen von Lotionen in Flaschen bis zu verpackten Kleidungsstücken und Radiergummis in transparenten Schachteln. Das Team interessiert sich besonders für Dinge, die den Roboter verwirren können: reflektierende Metalloberflächen, transparenter Kunststoff, leicht verformbare Oberflächen wie Kleidung oder Päckchen Chips, die auf der Kamera jedes Mal anders aussehen.

Über jedem Roboter befinden sich mehrere Kameras, die mit seinen Augen arbeiten. Visuelle Daten und sensorische Daten vom Körper des Roboters werden in den Algorithmus eingegeben, der seine Bewegungen steuert. Grundsätzlich lernt der Roboter aus einer Kombination von Simulation und Verstärkung. Das erste ist, dass eine Person den Roboter manuell steuert und verschiedene Objekte anhebt. Anschließend zeichnet er den Bewegungsablauf auf und analysiert ihn, um zu verstehen, wie dieses Verhalten verallgemeinert werden kann. Das zweite ist, dass der Roboter Millionen von Wiederholungen von Versuch und Irrtum durchführt. Jedes Mal, wenn der Roboter versucht, etwas zu nehmen, macht er es etwas anders. Dann schreibt er auf, welche Versuche mit einem schnelleren und genaueren Anheben des Themas endeten und welche seine Effizienz nicht ständig verbesserten.

Da der Algorithmus letztendlich trainiert wird, ist die Covariant-Softwareplattform Covariant Brain unabhängig von der Hardware. Es gibt ein Dutzend Roboter verschiedener Modelle im Büro, und der Roboter, der bei Obeta arbeitet, verwendet Knapp-Hardware.





Eine Stunde lang beobachtete ich drei verschiedene Roboter, die sicher völlig unterschiedliche Gegenstände aus dem Laden abholten. In Sekunden analysiert der Algorithmus ihre Position, berechnet den Anstellwinkel, passt den Bewegungsablauf an und greift nach ihnen, um sie mit dem Saugnapf aufzunehmen. Es bewegt sich mit Zuversicht und Genauigkeit und ändert die Arbeitsgeschwindigkeit je nach Fragilität des Motivs. Mit in Folie eingewickelten Medikamenten geht er schonender vor, um die Verpackung nicht zu verformen und das Medikament nicht zu zerknittern. Während einer besonders eindrucksvollen Demonstration der Arbeit lenkte der Roboter den Luftstrom so um, dass der Beutel, der unangenehm gegen die Wand gedrückt wurde, in die Mitte blies, so dass er leichter zu heben war.

Knapp Pachwein sagt, dass seit der Umstellung des Unternehmens auf die Covariant-Plattform seine Roboter von der Fähigkeit, 10-15% der Gegenstände aus dem Obeta-Sortiment zu heben, auf die Fähigkeit übergegangen sind, etwa 95% der Gegenstände zu heben. Die letzten 5% sind so zerbrechliche Dinge wie Glas, mit denen nur noch Menschen arbeiten können. "Und das ist kein Problem", fügt Pachwein hinzu. - In Zukunft werden 10 Roboter und eine Person ein typisches Lagergerät sein. Das ist der Plan. “ Dank der Zusammenarbeit wird Knapp seine Roboter mit Covariant-Software für mehrere Jahre an die Lager seiner Kunden vertreiben.

Obwohl das Ergebnis aus technischer Sicht beeindruckend ist, wirft es Fragen auf, wie sich solche Roboter auf die Automatisierung auswirken. Pachwein gibt zu, dass er erwartet, dass in den nächsten fünf Jahren Hunderte oder Tausende von Robotern beginnen werden, die traditionell von Menschen gelösten Aufgaben auszuführen. Er sagt jedoch, dass die Leute diesen Job immer noch nicht mehr machen wollen. In Europa fällt es Unternehmen oft schwer, genügend Leute zu finden, um in Lagern zu arbeiten. "Dies ist die Art von Feedback, die wir von allen Kunden erhalten", sagt er. "Sie finden keine Mitarbeiter und benötigen mehr Automatisierung."

Bisher hat Covariant bereits 27 Millionen US-Dollar von Investoren erhalten, darunter KI-Größen wie die Turing-Preisträger Joffrey Hinton und Ian Lekun. Das Startup möchte sich nicht nur mit dem Heben von Objekten befassen, sondern auch mit dem gesamten Spektrum des Lagerbetriebs, vom Entladen von LKWs über das Verpacken von Kisten bis hin zum Sortieren auf Gestellen. Das Startup hat auch Ideen, wie man außerhalb von Lagern umziehen und in andere Branchen eintreten kann.

Das ultimative Ziel von Abbil ist jedoch noch höher: „Die langfristige Idee des Unternehmens besteht darin, alle Probleme im Bereich der KI-Robotisierung zu lösen.“

More articles:


All Articles