Vrijeme suživota robota i ljudi u modernom poslovanju

Robotika je svima poznata iz automobilske industrije u kojoj je već godinama, no roboti i to oni autonomni postaju sve zastupljeniji u logistici ali i drugim industrijama. Upravo tome smo razgovarali s Kunom Lencom iz Gideon  Brothersa koji je zadužen za SLAM (simultaneous localization and mapping), a predaje i na Algebrinom Mini Digital MBA.

Prema njegovim riječima moderni industrijski pogoni zahtijevaju robote koji su znatno fleksibilniji, koje je moguće lako integrirati u postojeće operacije, te koji se mogu kretati po nestrukturiranim, unaprijed nepoznatim dinamičnim okruženjima i u takvim uvjetima pouzdano obavljati različite tipove zadataka.

Budućnost bi trebala donijeti robote koje gledamo kao integralni dio velike većine logističkih i proizvodnih operacija u kojima sudjeluju u svim procesima zajedno s ljudima, pojašnjava Lenac.

Koje su ključne primjene robotskih rješenja danas. Gdje vidite potencijal razvoja?

Ako robote ne gledamo prema stupnju autonomije, nego samo kroz broj primijenjenih rješenja onda robotski manipulatori imaju daleko najveću primjenu u odnosnu na bilo koje drugo robotsko rješenje.

Pod pojmom robotski industrijski manipulator misli se na robotske ruke koje ovisno o nastavku na

svojem zadnjem članku mogu odrađivati različite zadatke kao što su prebacivanje stvari s jednog mjesta na drugo, zavarivanje, testiranje različitih parametara objekta, bojanje itd. Intenzivno se koriste u velikom broju proizvodnih pogona, pouzdani su i robusni. Zadatke obavljaju znatno efikasnije od ljudi, te su postali nezamjenjivi dio industrijskih proizvodnih pogona. Međutim, robotski manipulatori imaju veoma uzak prostor djelovanja i najčešće veoma dobro unaprijed definiran zadatak, koji nakon treniranja kontinuirano ponavljaju. Moderni industrijski pogoni, a pogotovo moderne logističke operacije svoje potrebe ne mogu zadovoljiti korištenjem takvih robotskih rješenja. Takvi pogoni zahtijevaju robote koji su znatno fleksibilniji, koje je moguće lako integrirati u postojeće operacije, te koji se mogu kretati po nestrukturiranim, unaprijed nepoznatim dinamičnim okruženjima i u takvim uvjetima pouzdano obavljati različite tipove zadataka. Upravo to vidim kao glavni smjer razvoja robotike u budućnosti, u kojoj robote prestajemo gledati kao alat koji radi jedan tip zadatka u za to predviđenom i ograđenom prostoru i s kojim zna upravljati samo mali broj ljudi. Budućnost bi trebala donijeti robote koje gledamo kao integralni dio velike većine logističkih i proizvodnih operacija u kojima sudjeluju u svim procesima zajedno s ljudima, koje je jednostavno i lako kontrolirati, te na koje korisnici gledaju kao sastavni dio samog pogona u kojem rade.

Što sve čini današnje robote - koje su to tehnologije - radari, lidari, kamere, senzori?

Ako govorimo o autonomnim mobilnim robotima, onda se oni sastoje od tri osnovne grupe komponenata koje su međusobno povezane: i) hardware, ii) senzori i iii) autonomne softverske tehnologije. Hardware robota jako ovisi o namjeni korištenja, koliku masu mora nositi, po kakvom terenu se mora kretati itd. U tom smislu nemoguće je govoriti o nekim generalnim značajkama. Od senzora, autonomni mobilni roboti danas koriste LIDAR-e, kamere, sonare i radare, pri čemu su danas 2D LIDARi najzastupljeniji radi kombinacije cijene, pouzdanosti i preciznosti. Kada govorimo o skoroj budućnosti, izgledno je da će kamere u stereo konfiguraciji preuzeti ulogu dominantnog senzora na autonomnim mobilnim robotima. Naime, algoritmi obrade slike će postati dovoljno moćni i robusni da omoguće jednaku pouzdanost u situacijama u kojima se koristi 2D LIDAR, uz brojne dodatne mogućnosti koje proizlaze iz značajno veće količine informacija koju pruža slika u odnosu na 2D informaciju koju daje 2D LIDAR. Bitno je napomenuti i da jedan senzor ne isključuje korištenje nekog drugog senzora i da danas robotska rješenja s najvećim stupnjem autonomije tu autonomiju duguju fuziji više različitih

tipova senzora. Primjerice, kamera daje mnoštvo informacija, ali ne vidi u mraku, dok je laser neovisan o izvoru svjetla ali ne omogućuje razumijevanje okoline.

Što se samih softverskih tehnologija tiče, one obrađuju informacije sa senzora kako bi omogućile robotu autonoman rad, te su isto dosta ovisne o samoj namjeni robota. Međutim, postoje dvije “osnovne“ tehnologije koje svaki autonomni mobilni robot mora imati. Prva je SLAM (eng. Simultaneous Localization And Mapping) algoritam, koji omogućuje izgradnju karte nepoznatih prostora i istovremeno određivanje lokacije u toj karti, što je osnova bilo kojeg druge funkcionalnosti. Druga je navigacija, koja zadaje naredbe pogonskom sustavu robota na osnovu informacija o okolini iz senzora i lokacije iz SLAM-

a. Navigacija mora voditi računa da robot u svakom trenutku odabere što efikasniju putanju kretanja i pri tome izbjegavati sve dinamičke i statičke prepreke koje se pojave na putu robota, kao što su druga vozila

i oprema, ali i ljudi koji se kreću istim prostorom kao i robot.

U kojem se smjeru razvija industrijski roboti, a kako autonomni roboti, UAS i slična rješenja?

Industrijski i autonomni roboti nisu međusobno isključivi. U budućnosti bi svakako trebali vidjeti sve više autonomnih robotskih rješenja primijenjenih u industrijskim procesima. Upravo sada živimo u vremenu kada su tehnologije potrebne za robusno i efikasno funkcioniranje autonomnih mobilnih robota u velikoj mjeri dosegle stupanj razvoja koji im omogućuje uspješan rad u industrijskim okruženjima. Iz tog razloga će industrija i biti glavni pokretač razvoja i ulaganja u autonomnu mobilnu robotiku u budućnosti. Osim same tehnologije, jedan od važnih razloga zašto trenutno nemamo veću primjenu robotskih rješenja u

industriji leži u činjenici da industrija zahtijeva visoke standarde sigurnosti i pouzdanosti takvih rješenja.

Potrebno je uložiti jako puno vremena, čak i jednako koliko i u razvoj pojedine tehnologije, kako bi se ista dovela sa stupnja da u velikoj većini slučajeva radi dobro do stupnja u kojem se može pouzdano koristiti u industriji.

Što se tiče UAS (eng. Unmanned Aerial Systems) rješenja, ona dijele dosta tehnologija sa autonomnim mobilnim robotima na zemlji, kao što su algoritmi lokalizacije, razumijevanja okoline, pa i navigacije u određenoj mjeri. Njihova glavna primjena je u mogućnosti da lako dođu do lokacija do kojih niti jedno drugo robotsko rješenje ne može doći, ili bi dolazak trajao puno duže. Tako imamo primjere od pranja prozora na visokim neboderima, kojih je sve više, preko dostave lijekova u manje razvijena područja gdje ne postoji prometna infrastruktura pa do dostave Amazon paketa na kućnu adresu.

Automobili danas koriste LIDAR, prepoznavanje trake, adaptivne tempomate - koliko je potrebno za

razvoj jednog takvog rješenja?

Osobno nisam upoznat sa procesom razvoja tehnologija u automobilskom sektoru. Ono što mogu reći je  da slično kao i primjena neke tehnologije iz područja autonomnih mobilnih robota u industriji, tako i implementacija naoko već razvijene i/ili jednostavne tehnologije kao što je detekcija prometne trake ili mjerenje udaljenosti do najbližeg vozila postaje znatno kompliciranija kada mora raditi u 100% slučajeva i na specifičnim računalnim sustavima poštujući brojne sigurnosne standarde. Potrebno je prikupiti ogromne količine testnih podataka, razviti simulacijska okruženja i definirati brojne i različite testne scenarije kako bi takva tehnologija bila u stanju pouzdano raditi na intuitivan i korisnicima prihvatljiv način. To je jedan od glavnih razloga zašto od trenutka dok nešto vidimo na tehnološkim sajmovima ili prototipovima, ili pak pročitamo o tome na omiljenom tech portalu, najčešće mora proći više godina dok to stvarno nismo u mogućnosti i koristiti na našem idućem automobilu.

Kako upravljati senzorima u robotima - kako analizirati velike količine podataka? Korištenje rješenja

machine learninga i umjetne inteligencije?

Danas ne treba ići dalje od kamere da bi se došlo do senzora koji generira ogromnu količinu podataka. Primjerice ako uzmemo neku prosječnu rezoluciju slike od 1024x768 piksela u boji to je za računala jednako 1024*768*3= 2359296 pojedinačnih podataka (piksela) koje možemo koristiti u svakoj slici. Ako ta slika dolazi, opet nekom prosječnom brzinom od 20Hz i ako recimo koristimo dvije kamere u stereo konfiguraciji, što je čest slučaj, dolazimo do broja od 94371840 piksela u jednoj sekundi koje imamo na raspolaganju. Kako bi se nosili s tom količinom podataka moderni algoritmi za autonomiju nastoje na neki način razlučiti što je bitna informacija, a što mogu odmah odbaciti, te informacije koje su ostavili kao bitnima grupirati i detaljnije analizirati. Neuronske mreže u nekim slučajevima doista obrađuju

informacije svakog piksela, primjerice ukoliko želimo da robot razumije koji objekti se nalaze u njegovoj okolini i zna točno što svaki piksel u slici predstavlja. Primjerice, koji pikseli pripadaju prohodnom dijelu poda, koji paletama, koji stalcima itd. One to rade korištenjem velikog broja malih blokova od kojih svaki sadržava jednostavnije aktivacijske funkcije čiji se parametri uče dugotrajnim postupcima treniranja te se na kraju tako istrenirani blokovi dodatno filtriraju. U konačnici imamo model neuronske mreže koji se sastoji od velikog broja malih naučenih blokova čije se vrijednosti mogu računati paralelno (neovisno

jedna o drugoj) što je glavni razlog koji omogućuje neuronskoj mreži rad u stvarnome vremenu

Autonomna vozila su u dolasku, mnogo misle brzo ali ima mnogo prepreka - koje su tehnološke koje

su one druge?

Ono što ljudi najčešće podrazumijevaju pod autonomnim vozilima su automobili u koje sjednu, unesu

lokaciju do koje žele doći i vozilo ih autonomno odveze do te lokacije. Iako je u zadnjih desetak godina postignut ogroman napredak u razvoju svakog aspekta tih vozila, od samog pogonskog sklopa pa sve do novih senzora i znatno naprednijih algoritama, osobno smatram da smo od takvog stupnja autonomije udaljeni još minimalno 10-15 godina. Iako već i sada imamo vozila koja nam omogućuju autonoman

prijevoz od točke do točke, njihovo kretanje je strogo ograničeno na pojedine dobro testirane i naučene lokacije i/ili tipove lokacija. Također, rade samo pod točno određenim uvjetima. Da bismo uistinu imali autonoman automobil, on bi morao raditi jednako dobro po magli, snijegu, tuči, kiši, oblacima, suncu, noći, u gradskoj gužvi u podne, kao i u ruralnim sredinama. Za takav stupanj generalizacije algoritmi koji danas postoje jednostavno još nisu spremni. Sva danas dostupna autonomna rješenja, pa i ona najnaprednija, imaju dosta strogo definirane uvjete u kojima mogu raditi, te iako ti uvjeti uključuju

različita okruženja, veliku dinamiku u prostoru i još dosta drugih situacija, i dalje je daleko veći broj situacija u kojima ona ne mogu raditi od onih u kojima mogu. Autonomni automobili moraju biti u stanju pokriti izrazito različita okruženja i po meni je to glavni razlog nedostupnosti takvih rješenja u skoroj budućnosti. Osim tehnoloških aspekata, imamo i one pravne, koji su isto veoma složeni i zakonski okvir će morati proći kroz još dosta iteracija, koje će uključivati definiranje brojnih normi i standarada koja će takva vozila morati poštovati kako bi se mogla autonomno kretati javnim prostorima. Dobar primjer je sigurnosni certifikat sa stajališta senzora. Iako danas već postoje LIDAR senzori koji imaju sigurnosni

certifikat koji vam omogućuje da ih ugradite u vaše rješenje i time garantirate da nećete pogaziti čovjeka, tako nešto za kamere, bez kojih su autonomni automobili nezamislivi, ne postoji, a neće niti postojati u skoroj budućnosti.

Svi roboti, autonomna vozila, bespilotne letjelice prikupljaju velike količine podatak, kako ih pohraniti

obraditi i iskoristiti?

Danas se jako puno priča o privatnosti i velikoj količini informacija koje svaki dan dijelimo sa trećim

stranama. U kontekstu autonomnih rješenja, takva pitanja itekako imaju smisla, pogotovo ako je robot opremljen kamerama te ako se kreće u istom prostoru u kojem se i mi krećemo. Iako vas ta činjenica može plašiti, još bi vas više trebalo plašiti autonomno robotsko rješenje koje garantira da ne prikuplja nikakve podatke iz okruženja u kojem se kreće. Razlog je jednostavan, takvo rješenje nije u stanju učiti i ne može se s vremenom poboljšavati. I ovdje ne mislim na samoučenje i nastanak Skyneta, već na mogućnost inženjera koji stoje iza algoritama da detaljno analiziraju situacije u kojima je došlo do nepredviđenog ponašanja i da osiguraju kako se tako nešto ne bi ponovilo. Nemoguće je predvidjeti sve situacije u kojima se neko autonomno robotsko rješenje može naći, pa je s obzirom na to i nemoguće unaprijed testirati sve takve situacije. U radu tako kompleksnih rješenja uvijek može doći do pogreške i jedini način da se broj tih pogrešaka smanji je da se uči na konkretnim greškama. Naravno, to ne znači da je u redu da takva rješenja narušavaju vašu privatnost. Uvijek bi jasno moralo biti naznačeno što se snima, u kojem trenutku se snima i za što se ti podaci koriste. Dovoljno je malo truda da se onemogući bilo kakvo povezivanje snimljenih podataka sa stvarnom osobom.

Što se tiče same količine prikupljenih podataka, one doista jesu goleme, gore je naveden primjer samo jednog stereo para, ako imamo flotu vozila od kojih svako ima po dva takva para, količina generiranih podataka u jednom danu je ogromna. Kako bi smanjili količinu podataka koje je potrebno dugotrajnije spremiti, današnji moderni autonomni sustavi su u stanju shvatiti kada je došlo do nepredviđene

situacije te sačuvati recimo samo zadnjih par minuta događaja u trajnoj memoriji, što je u velikoj većini slučajeva dovoljno. Iako i takav pristup može generirati pozamašne količine podataka, rješenja za pohranu postaju sve jeftinija a brzine bežičnog prijenosa sve veće što u konačnici rezultira prihvatljivim kompromisom između količine podataka koja se čuva i kasnije mogućnosti ispravljana uočenih grešaka iz istih.

Koja rješenja Gideon Brothers danas razvija?

Gideon Brothers je krenuo sa robotom namijenjenim autonomnom prevoženju paleta unutar logističkih skladišta. Unutar tvrtke razvijen je i hardware i software za to robotsko rješenje. S vremenom su

razvijeni dodaci poput nastavka s pokretnom trakom i stanice koja omogućuje dinamičko podešavanje visine paleta kako bi se robotsko rješenje moglo integrirati u što više operacija koje se odvijaju u

skladištima. Iako su prve verzije robota predstavljene 2019. koristile primarno LIDAR senzore za

lokalizaciju i navigaciju, trenutna rješenja kao primarni senzor koriste sustav stereo kamera, također razvijen i sastavljen u našoj tvrtki. Rješenja bazirana na stereo kamerama sposobna su se kretati u još dinamičnijim i izazovnijim okruženjima u odnosu na ona opremljena samo LIDARima. Također, svako naše vozilo opremljeno kamerama ima mogućnost korištenja AI algoritama također razvijenih u Gideon Brothersu što mu omogućuju kontekstualno razumijevanje okoline. Općenito, od samih početaka u

Gideonu smatramo da budućnost autonomije leži u korištenju kamera kao primarnih senzora te u tom smjeru razvijamo trenutne algoritme i planiramo buduće razvojne aktivnosti.

Kakve su reakcije tržišta i prva testiranja rješenja?

Roboti koje pogoni tehnologija Gideon Brothersa trenutno rade u skladištima i pogonima nekih od najvećih hrvatskih, europskih i globalnih kompanija u proizvodnom, logističkom i maloprodajnom

sektoru. Naš prvi proizvod - mobilni robot za autonomni transport paleta - već se nalazi u jednoj od najvećih svjetskih logističkih tvrtki, - DB Schenker. Od hrvatskih tvrtki, radimo s inovativnim tvrtkama poput Tokića i Atlantic Grupe. Trenutačno s Atlantic Grupom radimo i na novom projektu razvoja inteligentne modularne platforme za upravljanje procesima u logistici, uključujući i posebno rješenje za integraciju autonomnih mobilnih robota u njihov sustav za upravljanje skladištem (WMS). Osim postojećih, u tvrtkama naših investitora također testiramo i neke potpuno nove proizvode na kojima smo dugo radili, a o čemu ćemo više moći govoriti za nekoliko mjeseci.