例如，西門子 (Siemens) 的 SIMATIC 機器人挑選人工智慧 (Robot Pick AI) 擴展了適應性的願景，將傳統的工業機器人——曾經只能執行固定、重複的任務——轉變為複雜的機器。這些機器人經過合成數據的訓練——也就是形狀、材料和環境的虛擬模擬——使得機器人能夠處理不可預測的任務，例如從混亂的箱子中挑選未知物品，準確率超過98%。當出現錯誤時，系統會學習，並通過現實世界的反饋來改進。重要的是，這不僅僅是解決一個機器人的問題。軟體更新可以在整個機器人群體中擴展，升級機器人以更靈活地工作，滿足日益增長的適應性生產需求。
另一個例子是機器人公司 ANYbotics，它生成工業環境的3D模型，作為真實環境的數位雙胞胎。操作數據，如溫度、壓力和流量，會被整合進來，創建機器人可以訓練的物理設施的虛擬複製品。例如，一個能源工廠可以利用其場地計劃生成需要機器人執行的檢查任務的模擬。這加快了機器人的訓練和部署，使它們能夠在現場設置最小的情況下成功執行任務。
模擬還可以幾乎無成本地增加機器人進行訓練的數量。“在模擬中，我們可以創建數千個虛擬機器人來練習任務並優化它們的行為。這使我們能夠加快訓練時間並在機器人之間分享知識，”ANYbotics 的首席執行官兼共同創辦人佩特·范卡瑟 (Péter Fankhauser) 說。
因為機器人需要理解其環境，無論方向或光線如何，ANYbotics 和合作夥伴 Digica 創造了一種生成數千張合成圖像的方法來進行機器人訓練。通過消除從生產線收集大量真實圖像的繁瑣工作，教導機器人所需知識的時間大大縮短。
同樣，西門子 (Siemens) 利用合成數據生成模擬環境，以數位方式訓練和驗證人工智慧模型，然後再部署到實體產品中。“通過使用合成數據，我們創建物體方向、光線和其他因素的變化，以確保人工智慧能夠在不同條件下良好適應，”西門子 (Siemens) 的項目負責人文森佐·德·保拉 (Vincenzo De Paola) 說。“我們模擬從零件的方向到光線條件和陰影的一切。這使得模型能夠在不同的情境下訓練，提高其在現實世界中準確應對的能力。”
數位雙胞胎和合成數據已被證明是解決數據稀缺和昂貴機器人訓練的強大解藥。在人工環境中訓練的機器人可以快速且經濟地為它們在現實世界中可能遇到的各種視覺可能性和情境做好準備。“我們在這個模擬環境中驗證我們的模型，然後再進行實體部署，”德·保拉說。“這種方法使我們能夠及早識別任何潛在問題，並以最小的成本和時間來改進模型。”
這項技術的影響可以超越最初的機器人訓練。如果機器人在現實世界的表現數據被用來更新其數位雙胞胎並分析潛在的優化，這可以創造一個動態的改進循環，系統性地增強機器人的學習、能力和性能。
受過良好教育的機器人在工作
隨著人工智慧和模擬技術推動機器人訓練的新時代，組織將獲得好處。數位雙胞胎使公司能夠以顯著減少的設置時間部署先進的機器人，而人工智慧驅動的視覺系統的增強適應性使公司更容易根據市場需求的變化調整產品線。
本文由 AI 台灣 運用 AI 技術編撰，內容僅供參考，請自行核實相關資訊。
歡迎加入我們的 AI TAIWAN 台灣人工智慧中心 FB 社團，
隨時掌握最新 AI 動態與實用資訊！
