Fler och fler industriella uppgifter utförs av robotar, men mänskliga operatörer behövs fortfarande för de mer komplexa manipulationsåtgärderna, såsom hantering och bearbetning av livsmedelsprodukter.

"Om vårt mål är att automatisera några eller alla dessa uppgifter inom livsmedelsindustrin, eller inom andra områden, vi måste utrusta robotarna med ny kunskap via lärande. De måste lära sig de så kallade mjuka färdigheterna först så att de kommer att kunna utföra operationer på samma nivå som människor i framtiden, " förklarade Ekrem Misimi, som är SINTEF-forskare och utvecklar robotinlärningsteknologi som en del av iProcess-projektet.

För att lära robotarna dessa komplexa manipulationskunskaper, en kombination av visuell och taktil inlärning krävs. Med andra ord, de måste lära sig att se och känna samtidigt.

Robotinlärning kan också vara användbart i större skala, särskilt nu under pandemin när många människor måste arbeta hemifrån eller inte kan arbeta i sina anläggningar på grund av risk för infektion:

"För samhället, produktionen, skörd, hantering och beredning av livsmedel är viktiga funktioner. Vår teknik syftar till att säkerställa en helautomatisk produktionslinje, baserad på intelligenta robotar. Väsentligen, intelligent robotteknik kan bättre förbereda oss som samhälle för att klara av dåliga tider, och effektivisera produktion och värdeskapande i goda tider, "sa Misimi.

Möjligheterna är oändliga

Interaktionen mellan en robot och föremål som är mjuka, ömtålig, smidig eller formbar är en av de största utmaningarna inom robotik idag, eftersom dessa typer av föremål lätt kan ändra form och form när de hanteras. Det är lätt för mänskliga operatörer att kompensera för dessa förändringar i realtid, men robotar kräver avancerade visuella och taktila sensorer för att göra detsamma.

Därför, roboten ges konstgjorda "ögon" i form av 3D-seende, en artificiell "hjärna" från artificiell intelligens, och känsliga "händer" som förlitar sig på kraft och taktil avkänning.

"Dessa egenskaper gör det möjligt för robotarna att utveckla en uppgiftsspecifik intelligens som är tillräckligt bra för att de ska kunna göra jobbet automatiskt, " förklarade Misimi.

Lär dig komplexa uppgifter med enkla exempel

Trots sin förmåga att lära sig, en robot är i slutändan en maskin. Därför, den måste först få kunskap om uppgifter som den ska slutföra genom avkänning och lärande, antingen i samspel med människor eller av sig själv.

"Vårt mål är att få roboten att lära sig att utföra verkliga komplexa manipulationsuppgifter från enkla exempel, sa Misimi.

Därför, iProcess-projektet har utvecklat två robotinlärningsmetoder. Den första är "lära av demonstration" (LfD), varvid roboten lär sig att ta tag i mjuk mat genom en kombination av visuell och taktil avkänning. Den andra är "lära av självutforskning", där roboten använder artificiell intelligens för att lära sig uppgiften på egen hand i en simulerad miljö innan den äntligen distribueras till den verkliga världen, utan ytterligare finjustering. Projektet har genererat många intressanta uppdrag för doktorander från NTNU som studerar artificiell intelligens och robotik.

"En typisk utmaning inom robotinlärning är att den mänskliga operatören, eller snarare läraren, demonstrerar uppgiften felaktigt för roboten. Därför, vi har utvecklat en inlärningsstrategi som enbart bygger på de bästa demonstrationerna, och ignorerar automatiskt de fattiga, som inte överensstämmer med lärarens avsedda policy. Inlärningsstrategin använder 3D-avbildning för korrekt positionering av robotgriparen och taktil avkänning för skonsam hantering och grepp om föremålen, " förklarade Misimi.

"Det som är särskilt intressant med att lära sig av självutforskning är att roboten aldrig har sett en laxfilé förut, antingen i en simulerad eller verklig miljö. Men det lyckas fortfarande utmärkt att generalisera i den verkliga världen för att hantera det nya, okända föremål, " han lade till.

När roboten lär sig på detta sätt, inlärningstiden förkortas avsevärt, och roboten kan användas för att hantera flera livsmedelsprodukter, eller liknande föremål, utan ytterligare programmering.

Forskningen om LfD publicerades i "Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration", som presenterades vid den internationella konferensen om intelligenta robotar och system, medan artikeln om lärande genom självutforskning har accepterats för den kommande internationella konferensen om robotik och automatisering (ICRA) 2020*.

Att lära en gammal robot nya trick

De säger att man inte kan lära en gammal hund nya trick – men robotar kan tränas för många olika hanteringsuppgifter, från att hålla i både stationära och rörliga föremål till att utföra mer komplexa manipulationsuppgifter som kräver större skicklighet, som att manipulera rörliga föremål.

"Uppgiften kan vara allt som innebär att man skär eller tar tag i föremål som måste hanteras försiktigt. Oavsett om det är en fiskfilé eller sallad, roboten måste vara tillräckligt känslig för att inte skada produkterna, men få jobbet gjort, "sa Misimi.

Viktigt för livsmedelsindustrin

Den nya tekniken kommer att vara viktig för både den norska livsmedelsindustrin och alla andra branscher som skulle ha nytta av robothanteringen av smidiga och formbara föremål och som är helt beroende av automatisering för att behålla värdeskapandet i Norge.

"Detta projekt är en milstolpe i att förverkliga denna vision. Robotteknik kommer att kunna öka både konkurrenskraft och lönsamhet och kommer att möjliggöra förädling av en större andel råvaror i Norge. Detta kan bidra till att höja produkternas kvalitet och minska maten avfall. Dessutom, detta kommer att gynna miljön, eftersom råvaror inte behöver transporteras utomlands för förädling, som ofta måste göras idag, "sa Misimi.