Udgivet den: 8. maj 2025 / Opdateret den: 9. maj 2025 – Forfatter: Konrad Wolfenstein
Taktil robotteknologi: Robotter med følesans: Den nye generation fra Vulcan og MIT-forskning i haptisk objektgenkendelse – Billede: Xpert.Digital
MITs objektgenkendelsessystem uden specielle sensorer og Amazons Vulcan-robot
Haptisk opfattelse for maskiner: Sætter nye standarder inden for objektgenkendelse
Inden for robotteknologi markerer udviklingen af taktile sensorer og genkendelsessystemer et afgørende fremskridt, der for første gang gør det muligt for maskiner ikke blot at se deres omgivelser, men også at "føle" dem. Denne udvikling eksemplificeres af Amazons nye Vulcan-robot og MITs innovative objektgenkendelsessystem. Begge teknologier udvider robotters anvendelsesmuligheder betydeligt og muliggør opgaver, der tidligere kun kunne udføres af mennesker med deres naturlige haptiske opfattelse.
Relateret til dette:
Amazons Vulcan-robot: Et gennembrud inden for taktil robotgrebning
Funktionelle og teknologiske fundamenter
Vulcan-robotten, udviklet af Amazon, repræsenterer et betydeligt teknologisk fremskridt inden for fysisk kunstig intelligens. Amazon beskriver selv udviklingen som et "gennembrud inden for robotteknologi og fysisk AI." Systemet består af to hovedkomponenter: "Stow" til opbevaring af objekter og "Pick" til at hente dem. Dens enestående egenskab er dens evne til at opfatte sine omgivelser taktilt.
Det teknologiske grundlag for Vulcans taktile evner består af specielle kraft-momentsensorer, formet som en hockeypuck, der gør det muligt for robotten at "mærke", hvor meget kraft den kan anvende for at gribe fat i en genstand uden at beskadige den. Adam Parness, direktør for robotteknologi, AI hos Amazon, understreger det unikke ved denne tilgang: "Vulcan er ikke vores første robot, der kan bevæge genstande. Men med sin følesans – dens evne til at forstå, hvornår og hvordan den kommer i kontakt med en genstand – åbner den op for nye muligheder for at optimere arbejdsgange og faciliteter.".
For at sortere varer på hylder bruger Vulcan et værktøj, der ligner en lineal, der er fastgjort til et glattejern. Med denne "lineal" skubber han andre varer til side for at give plads til nye. Gribearmene justerer deres gribestyrke afhængigt af varens størrelse og form, mens integrerede transportbånd flytter varen ind i beholderen. For at hente varer bruger Vulcan en sugegriber i kombination med et kamerasystem.
Nuværende anvendelsesområder og ydeevne
Vulcan-robotten testes i øjeblikket i to Amazon-logistikcentre: i Winsen nær Hamborg (Tyskland) og i Spokane, Washington (USA). I Washington er seks Stow Vulcan-robotter i drift, og de har allerede med succes lagret en halv million varer. I Winsen arbejder to Pick Vulcan-robotter, og de har allerede behandlet 50.000 ordrer.
Systemets muligheder er bemærkelsesværdige: Vulcan kan i øjeblikket håndtere cirka 75 procent af de millioner af produkter, der tilbydes af Amazon. Den mindste genstand, robotten kan manipulere, er omtrent på størrelse med en læbestift eller et USB-stik. Særligt imponerende er robottens evne til at identificere genstande i realtid, da det ville være "umuligt for den at kende alle detaljerne om varerne udenad", som Parness forklarer.
Fremtidsplaner og integration i logistikkæden
Amazon planlægger at øge antallet af Vulcan-robotter betydeligt i de kommende år. I år forventes antallet af Vulcan-robotter i Winsen at stige til 60 og i Washington til 50. Den langsigtede plan er at implementere robotterne i logistikcentre i hele Europa og USA.
Et centralt aspekt af Amazons strategi er sameksistensen mellem mennesker og maskiner. Virksomhedens "masterplan" forestiller sig mennesker og maskiner, der arbejder side om side. Robotterne er primært beregnet til at håndtere de produkter på hylderne, som mennesker ikke kan nå uden en stige, eller som ville kræve overdreven bøjning. Dette forventes at føre til større samlet effektivitet og samtidig reducere arbejdsbyrden for menneskelige medarbejdere.
MIT's objektdetektionssystem gennem håndtering: Intelligent "registrering" uden specielle sensorer
Innovativ tilgang til objektgenkendelse
Parallelt med Amazons Vulcan har forskere fra MIT, Amazon Robotics og University of British Columbia udviklet et system, der har en anderledes tilgang til at give robotter haptiske evner. Denne teknologi gør det muligt for robotter at genkende egenskaber ved et objekt, såsom vægt, blødhed eller indhold, blot ved at samle det op og ryste det forsigtigt – ligesom mennesker gør, når de håndterer ukendte genstande.
Det særlige ved denne tilgang er, at der ikke er behov for særlige taktile sensorer. I stedet bruger systemet de ledkodere, der allerede findes i de fleste robotter – sensorer, der registrerer rotationspositionen og hastigheden af leddene under bevægelse. Peter Yichen Chen, postdoc ved MIT og hovedforfatter til forskningsartiklen, forklarer visionen bag projektet: "Min drøm ville være at sende robotter ud i verden, så de kan røre ved og bevæge ting og uafhængigt opdage egenskaberne ved alt, hvad de interagerer med.".
Teknisk funktionalitet og simuleringsmodeller
Kernen i MIT-systemet består af to simuleringsmodeller: en der simulerer robotten og dens bevægelser, og en der replikerer objektets dynamik. Chao Liu, en anden postdoc fra MIT, understreger vigtigheden af disse digitale tvillinger: "En nøjagtig digital kopi af den virkelige verden er virkelig vigtig for vores metodes succes.".
Systemet bruger en teknik kaldet "differentierbar simulering", som gør det muligt for algoritmen at forudsige, hvordan små ændringer i et objekts egenskaber, såsom masse eller blødhed, vil påvirke den endelige position af robottens led. Når simuleringen matcher robottens faktiske bevægelser, har systemet identificeret objektets korrekte egenskaber.
En vigtig fordel ved denne metode er dens effektivitet: Algoritmen kan udføre beregningerne inden for få sekunder og kræver kun en reel bevægelsesbane for robotten for at fungere. Dette gør systemet særligt omkostningseffektivt og praktisk til virkelige applikationer.
Anvendelsespotentiale og fordele
Den udviklede teknologi kan være særligt nyttig i applikationer, hvor kameraer er mindre effektive, såsom sortering af genstande i en mørk kælder eller rydning af affald i en delvist sammenstyrtet bygning efter et jordskælv.
Da algoritmen ikke kræver et stort datasæt til træning, i modsætning til nogle metoder, der er afhængige af computervision eller eksterne sensorer, er den mindre tilbøjelig til fejl, når den konfronteres med ukendte miljøer eller nye objekter. Dette gør systemet særligt robust og alsidigt.
Det bredere forskningslandskab om taktile sensorer i robotteknologi
Grundlæggende udfordringer og aktuelle løsninger
Udviklingen af robotter med følesans stiller forskere over for fundamentale udfordringer. Mens det menneskelige taktile system er ekstremt komplekst og nuanceret, skal kunstige systemer kopiere dette ved hjælp af teknologiske midler. Ken Goldberg, robotforsker ved University of California, Berkeley, understreger kompleksiteten af denne opgave: "Den menneskelige følesans er utrolig nuanceret og kompleks med et stort dynamisk område. Selvom robotter gør hurtige fremskridt, ville jeg blive overrasket over at se taktile sensorer på menneskeligt niveau i løbet af de næste fem til ti år.".
Trods disse udfordringer gøres der betydelige fremskridt inden for forskning. For eksempel udvikler Fraunhofer IFF taktile sensorsystemer, der muliggør reaktivt greb, efterligner den menneskelige hånd og er ideelle til håndtering af skrøbelige eller fleksible genstande. Sensordataene bruges til tilpasning af griberen, komponent- og positionsgenkendelse samt procesovervågning.
Innovative forskningsprojekter inden for taktil robotteknologi
Udover udviklingen fra Amazon og MIT er der andre betydelige forskningsprojekter inden for taktile robotsensorer:
Max Planck Instituttet for Intelligente Systemer har udviklet en haptisk sensor kaldet Insight, der registrerer berøring med høj følsomhed. Georg Martius, leder af en forskergruppe på instituttet, fremhæver sensorens ydeevne: "Vores sensor udviser enestående ydeevne takket være det innovative mekaniske design af dens kabinet, det specialdesignede billeddannelsessystem indeni, den automatiske dataindsamling og de mest avancerede deep learning-metoder." Sensoren er så følsom, at den endda kan registrere sin egen orientering i forhold til tyngdekraften.
Et andet interessant projekt er DensePhysNet, et system, der aktivt udfører en sekvens af dynamiske interaktioner (f.eks. glidning og kollision) og bruger en dybdegående prædiktiv model over sine visuelle observationer til at lære tætte, pixelvise repræsentationer, der afspejler de fysiske egenskaber ved observerede objekter. Eksperimenter i både simulering og virkelige miljøer viser, at de lærte repræsentationer indeholder rige fysiske oplysninger og kan bruges direkte til at afkode fysiske objektegenskaber såsom friktion og masse.
Relateret til dette:
Fremtidsudsigter for taktile robotsystemer
Integration af multimodale sensorsystemer
Fremtiden for taktil robotteknologi ligger i integrationen af forskellige sensoriske modaliteter. Forskere på MIT arbejder allerede på at lære kunstig intelligens at kombinere sanser som syn og følesans. Ved at forstå, hvordan disse forskellige sensoriske modaliteter interagerer, kan robotter udvikle en mere holistisk forståelse af deres omgivelser.
MIT-teamet planlægger allerede at kombinere deres objektdetektionsmetode med computer vision for at skabe et multimodalt sensorsystem, der er endnu mere kraftfuldt. "Dette arbejde forsøger ikke at erstatte computer vision. Begge metoder har deres fordele og ulemper. Men her har vi vist, at vi allerede kan opdage nogle af disse egenskaber, selv uden et kamera," forklarer Chen.
Udvidede anvendelsesområder og fremtidige udviklinger
Forskerne fra MIT-teamet ønsker også at udforske anvendelser med mere komplekse robotsystemer, såsom bløde robotter, og mere komplekse objekter, herunder skvulpende væsker eller granulerede medier som sand. På lang sigt håber de at bruge denne teknik til at forbedre robotlæring, så fremtidige robotter hurtigt kan udvikle nye manipulationsfærdigheder og tilpasse sig ændringer i deres miljø.
Amazon planlægger at videreudvikle og implementere Vulcan-teknologi i større skala i de kommende år. Integrationen af Vulcan med virksomhedens eksisterende flåde på 750.000 mobile robotter antyder et omfattende automatiseringskoncept, der fundamentalt kan transformere logistikbranchen.
Taktil læring: Når sensorer giver robotter en følelse af berøring
Udviklingen af robotter med følesans, eksemplificeret ved Amazons Vulcan og MITs objektgenkendelsessystem, markerer et afgørende vendepunkt inden for robotteknologi. Disse teknologier gør det muligt for robotter at udføre opgaver, der tidligere udelukkende var menneskers domæne, da de kræver finmotorik og taktil forståelse.
De forskellige tilgange – Amazons fokus på specialiserede sensorer og MITs koncept om at bruge eksisterende sensorer til haptisk inferens – demonstrerer mangfoldigheden af forskningsretninger på dette felt. Begge tilgange har deres specifikke styrker og anvendelsesområder.
Med den stigende integration af taktile funktioner i robotsystemer åbner der sig nye muligheder for automatisering af komplekse opgaver inden for logistik, produktion, sundhedspleje og mange andre områder. Robotters evne til ikke blot at se, men også at "føle" deres omgivelser bringer os et betydeligt skridt tættere på en fremtid, hvor robotter og mennesker kan samarbejde endnu tættere og mere intuitivt.
Relateret til dette:
