Apakah LiDAR sedang dalam perjalanan keluar?  Kasus bisnis untuk mengucapkan selamat tinggal
Artificial Intelligence

Apakah LiDAR sedang dalam perjalanan keluar? Kasus bisnis untuk mengucapkan selamat tinggal

Mata Robot

Pixabay

Di antara banjir prediksi robotika yang pasti Anda temui tahun ini, ada satu yang harus Anda perhatikan secara khusus: Cara robot “melihat” berubah secara mendasar, dan itu akan berdampak besar pada utilitas, biaya, dan proliferasi dari sistem robot.

Tentu saja, agak keliru untuk berbicara tentang robot “melihat”, atau setidaknya singkatan reduktif untuk interaksi kompleks perangkat lunak dan perangkat keras yang memungkinkan robot melakukan penginderaan yang jauh lebih canggih dengan peralatan yang jauh lebih murah. Visi mesin menggabungkan berbagai teknologi dan semakin bergantung pada perangkat lunak dalam bentuk pembelajaran mesin dan AI untuk menafsirkan dan memproses data dari sensor 2D yang tidak dapat dicapai bahkan beberapa waktu yang lalu.

Baca juga: 2022: Revolusi Besar Robotika

Dengan meningkatnya ketergantungan pada perangkat lunak ini, muncul pergeseran menarik dari sensor yang sangat khusus seperti LiDAR, yang sudah lama menjadi bahan pokok untuk robot yang beroperasi di lingkungan semi-terstruktur dan tidak terstruktur. Pakar robotika yang mengawinkan hubungan antara manusia dan perangkat lunak AI mulai menemukan bahwa LiDAR sebenarnya tidak diperlukan. Sebaliknya, visi mesin memberikan pemetaan dengan kualitas yang lebih tinggi dengan biaya yang lebih terjangkau terutama dalam hal robotika dan otomatisasi dalam ruangan.

Untuk mempelajari lebih lanjut tentang transformasi yang sedang berlangsung, saya terhubung dengan Rand Voorhies, CTO & salah satu pendiri di inVia Robotics, tentang visi mesin, masa depan otomatisasi, dan apakah LiDAR masih akan menjadi sensor dasar untuk robot di tahun-tahun mendatang.

GN: Di mana kemajuan dalam visi mesin, sensor atau perangkat lunak?

Tepi Voorhies: Meskipun sensor pencitraan 2D memang mengalami peningkatan terus-menerus, resolusi/noise/kualitasnya jarang menjadi faktor pembatas untuk adopsi visi mesin secara luas. Meskipun ada beberapa peningkatan sensor yang menarik dalam dekade terakhir (seperti susunan sensor polarisasi, dan kamera plenoptik/medan cahaya), tidak ada yang benar-benar mendapatkan daya tarik, karena kekuatan utama sensor penglihatan mesin adalah biaya dan ketersediaannya. Kemajuan paling inovatif benar-benar ada di bagian depan perangkat lunak melalui munculnya pembelajaran mendalam. Model visi mesin pembelajaran mendalam modern tampak seperti keajaiban dibandingkan dengan teknologi dari sepuluh tahun yang lalu. Setiap remaja dengan GPU sekarang dapat mengunduh dan menjalankan perpustakaan pengenalan objek yang akan menghancurkan laboratorium penelitian teratas sepuluh tahun yang lalu. Faktanya adalah sensor pencitraan 2D menangkap lebih banyak data secara signifikan daripada sensor LiDAR biasa – Anda hanya perlu tahu cara menggunakannya.

Sementara visi mesin mutakhir telah meningkat pesat, faktor-faktor lain juga berkontribusi pada penerapan teknik visi mesin yang lebih sederhana. Evolusi berkelanjutan dari teknologi baterai dan motor telah mendorong biaya komponen ke titik di mana sistem robotik dapat diproduksi yang memberikan ROI yang sangat kuat kepada pengguna akhir. Dengan ROI yang baik, pelanggan (dalam kasus kami, operator gudang) dengan senang hati membubuhi keterangan di lingkungan mereka dengan stiker “fidusia”. Stiker ini hampir seperti kode cheat untuk robotika, karena solusi visi mesin yang sangat murah dapat mendeteksi posisi dan orientasi stiker fiducial dengan sangat presisi. Dengan menempelkan fiducial ini di seluruh gudang, robot dapat dengan mudah membuat peta yang memungkinkan mereka untuk melokalisasi diri mereka sendiri.

GN: Bisakah Anda memberikan sedikit konteks tentang adopsi LiDAR? Mengapa itu menjadi alat penginderaan standar dalam aplikasi mobilitas otonom? Apa rintangan awal untuk visi mesin yang mengarahkan pengembang ke LiDAR?

Tepi Voorhies: Visi mesin telah digunakan untuk memandu robot sejak sebelum LiDAR ada. LiDAR mulai mendapatkan popularitas yang signifikan di awal tahun 2000-an karena beberapa penelitian akademis yang inovatif dari Sebastian Thrun, Daphne Koller, Michael Montemerlo, Ben Wegbreit, dan lainnya yang memungkinkan pemrosesan data dari sensor ini. Penelitian dan pengalaman tersebut menyebabkan dominasi kendaraan otonom Stanley berbasis LiDAR di DARPA Grand Challenge (dipimpin oleh Thrun), serta pendirian Velodyne (oleh David Hall, peserta Grand Challenge lainnya) yang menghasilkan apa yang sekarang banyak diproduksi. dianggap sebagai sensor mobil otonom de-facto. Tantangan menunjukkan bahwa LiDAR akhirnya menjadi teknologi yang layak untuk robot yang bergerak cepat untuk menavigasi melalui lingkungan yang tidak diketahui dan berantakan dengan kecepatan tinggi. Sejak itu, ada peningkatan besar dalam minat akademis dalam meningkatkan algoritme untuk memproses data sensor LiDAR, dan ada ratusan makalah yang diterbitkan dan gelar PhD tentang topik tersebut. Akibatnya, para lulusan telah terjun ke ruang komersial dengan segudang pengalaman akademik LiDAR di bawah ikat pinggang mereka siap untuk mempraktikkan teori. Dalam banyak kasus, LiDAR telah terbukti menjadi alat yang sangat tepat untuk pekerjaan itu. Point cloud 3D yang padat telah lama menjadi impian para ahli robotik, dan dapat membuat penghindaran rintangan dan pencarian jalan secara signifikan lebih mudah, terutama di lingkungan dinamis yang tidak diketahui. Namun, dalam beberapa konteks, LiDAR sama sekali bukan alat yang tepat untuk pekerjaan itu dan dapat menambah kerumitan dan biaya yang tidak diperlukan untuk solusi yang sebenarnya sederhana. Menentukan kapan LiDAR tepat dan tidak adalah kunci untuk membangun solusi robotik yang tidak hanya berfungsi — mereka juga memberikan ROI positif kepada pelanggan.

Pada saat yang sama, visi mesin juga telah maju. Salah satu rintangan awal dalam machine vision dapat dipahami dengan pertanyaan sederhana: “Apakah saya melihat objek besar yang jauh, atau objek kecil yang dekat”? Dengan visi 2D tradisional, tidak ada cara untuk membedakan. Bahkan otak kita bisa tertipu seperti yang terlihat dalam ilusi perspektif funhouse. Pendekatan modern untuk visi mesin menggunakan berbagai pendekatan untuk mengatasi hal ini, termasuk:

    • Memperkirakan jarak suatu objek dengan memahami konteks pemandangan yang lebih luas, misalnya: Saya tahu kamera saya 2m dari tanah dan saya mengerti bahwa ban mobil berjarak 1000 piksel di sepanjang jalan sehingga jaraknya harus 25m.
    • Membangun pemahaman 3D tentang pemandangan dengan menggunakan dua atau lebih kamera yang tumpang tindih (yaitu, penglihatan stereo).
    • Membangun pemahaman 3D tentang pemandangan dengan “merasakan” bagaimana kamera telah bergerak, misalnya, dengan IMU (unit pengukuran inersia – semacam telinga bagian dalam robot) dan menghubungkan gerakan tersebut dengan gambar yang berubah dari kamera.

Otak kita sendiri menggunakan ketiga teknik ini secara bersamaan untuk memberi kita pemahaman yang kaya tentang dunia di sekitar kita yang lebih dari sekadar membangun model 3D.

GN: Mengapa ada kasus teknologi yang lebih baik untuk visi mesin daripada LiDAR untuk banyak aplikasi robotika?

Tepi Voorhies: LiDAR sangat cocok untuk aplikasi luar ruangan di mana terdapat banyak medan yang tidak diketahui dan inkonsistensi. Itulah mengapa ini adalah teknologi terbaik untuk mobil self-driving. Di lingkungan dalam ruangan, visi alat berat membuat casing teknologi lebih baik. Saat foton cahaya memantul dari objek di dalam gudang, robot dapat dengan mudah menjadi bingung di bawah arahan LiDAR. Mereka mengalami kesulitan membedakan, misalnya, kotak inventaris dari rak inventaris – keduanya hanyalah objek bagi mereka. Ketika robot berada jauh di lorong gudang besar, mereka sering tersesat karena tidak dapat membedakan landmark mereka. Kemudian mereka harus dipetakan ulang.

Dengan menggunakan visi mesin yang dikombinasikan dengan penanda fiducial, robot Picker inVia kami tahu persis di mana mereka berada kapan saja. Mereka dapat “melihat” dan membedakan landmark mereka. Hampir semua robot gudang/industri berbasis LiDAR memerlukan beberapa penanda fidusia untuk beroperasi. Robot berbasis visi mesin membutuhkan lebih banyak penanda. Yang terakhir ini membutuhkan waktu dan biaya tambahan untuk memasang gulungan stiker yang panjang vs stiker individu yang lebih sedikit, tetapi ketika Anda mempertimbangkan waktu dan biaya untuk melakukan pemetaan LiDAR biasa, keseimbangannya berayun jauh ke arah penglihatan murni. Pada akhirnya, visi mesin 2D dalam pengaturan gudang lebih murah, lebih mudah, dan lebih andal daripada LiDAR.

Jika penggunaan robot Anda tidak memerlukan presisi dan keandalan yang sangat tinggi, maka LiDAR mungkin sudah cukup. Namun, untuk sistem yang tidak mampu menanggung kerugian dalam akurasi atau waktu aktif, sistem visi mesin benar-benar dapat menunjukkan kekuatannya. Sistem penglihatan alat berat berbasis fiducial memungkinkan operator menempatkan penanda tepat di tempat presisi yang diperlukan. Dengan sistem inVia yang mengambil dan menempatkan tas jinjing dari rak, menempatkan penanda tersebut di tas jinjing dan rak memberikan akurasi tingkat milimeter untuk memastikan bahwa setiap tas jinjing ditempatkan tepat di tempat yang seharusnya tanpa gagal. Mencoba mencapai ini dengan sistem LiDAR murni akan memakan biaya dan waktu yang mahal untuk penggunaan komersial.

GN: Mengapa ada kasus bisnis yang lebih baik?

Tepi Voorhies: Di sisi bisnis, kasusnya juga sederhana. Visi mesin menghemat uang dan waktu. Meskipun teknologi LiDAR telah mengalami penurunan biaya selama bertahun-tahun, itu masih mahal. Kami berkomitmen untuk menemukan teknologi dan komponen yang paling hemat biaya untuk robot kami agar otomatisasi dapat diakses oleh bisnis dari berbagai ukuran. Di inVia, kami didorong oleh etos untuk membuat teknologi yang rumit menjadi sederhana.

Perbedaan waktu yang diperlukan untuk memenuhi pesanan dengan visi mesin vs dengan LiDAR dan semua persyaratan pemetaan ulangnya sangat penting. Ini bisa berarti perbedaan dalam mendapatkan pesanan ke pelanggan tepat waktu atau terlambat sehari. Setiap robot yang hilang karena pemetaan ulang LiDAR akan mengurangi ROI sistem tersebut.

Perangkat kerasnya sendiri juga lebih murah jika menggunakan visi mesin. Kamera lebih murah daripada LiDAR, dan sebagian besar sistem LiDAR tetap membutuhkan kamera dengan fidusia. Dengan visi mesin, ada biaya tenaga kerja tambahan satu kali untuk menerapkan fidusia. Namun, menerapkan fidusia satu kali ke tas jinjing / racking sangat murah dari segi tenaga dan menghasilkan sistem yang lebih kuat dengan lebih sedikit waktu henti dan kesalahan.

GN: Bagaimana visi mesin akan mengubah lanskap terkait adopsi robotika di sektor-sektor seperti logistik dan pemenuhan?

Tepi Voorhies: Visi mesin telah memberikan dampak di pusat logistik dan pemenuhan, dengan mengotomatiskan tugas-tugas hafalan untuk meningkatkan produktivitas tenaga kerja. Gudang yang menggunakan robot untuk memenuhi pesanan dapat melengkapi tenaga kerja yang langka dan membiarkan orang-orang mereka mengelola tugas tingkat tinggi yang melibatkan pengambilan keputusan dan pemecahan masalah. Visi mesin memungkinkan armada robot bergerak untuk menavigasi gudang, melakukan tugas-tugas utama seperti pengambilan, pengisian ulang, pemindahan inventaris, dan manajemen inventaris. Mereka melakukan ini tanpa gangguan dan dengan akurasi presisi mesin.

Menggunakan sistem robotika yang didorong oleh visi mesin juga menghilangkan hambatan adopsi karena keterjangkauannya. Usaha kecil dan menengah yang dulunya dihargai di luar pasar untuk otomatisasi tradisional, dapat menuai manfaat yang sama dari mengotomatisasi tugas yang berulang dan, oleh karena itu, mengembangkan bisnis mereka.

GN: Bagaimana seharusnya gudang melakukan survei lanskap teknologi robotika saat mereka ingin mengadopsi sistem baru?

Tepi Voorhies: Ada banyak solusi robotik di pasaran sekarang, dan masing-masing menggunakan teknologi yang sangat canggih untuk memecahkan masalah khusus yang dihadapi operator gudang. Jadi, langkah terpenting adalah mengidentifikasi tantangan terbesar Anda dan menemukan solusi yang menyelesaikannya.

Misalnya, di inVia kami telah menciptakan solusi yang secara khusus menangani masalah yang unik untuk pemenuhan e-niaga. Memenuhi pesanan e-niaga memerlukan akses acak ke sejumlah besar SKU yang berbeda dalam jumlah individu. Itu sangat berbeda dari pemenuhan ritel di mana Anda mengambil sejumlah besar SKU dan mengirimkannya dalam kotak dan/atau palet. Kedua operasi memerlukan penyiapan dan rencana penyimpanan dan pengambilan yang sangat berbeda. Kami telah membuat algoritme kepemilikan yang secara khusus membuat jalur dan proses yang lebih cepat untuk mengambil SKU yang diakses secara acak.

E-commerce juga jauh lebih bergantung pada tenaga kerja dan memakan waktu dan, oleh karena itu, mahal. Jadi, gudang tersebut ingin mengadopsi teknologi robotika yang dapat membantu mereka mengurangi biaya tenaga kerja, serta waktu yang dibutuhkan untuk mengirimkan pesanan ke pelanggan. Mereka memiliki SLA (perjanjian tingkat layanan) yang menentukan kapan pesanan harus diambil, dikemas, dan dikirim. Mereka perlu bertanya kepada vendor bagaimana teknologi mereka dapat membantu mereka menghilangkan blok untuk memenuhi SLA tersebut.

Posted By : togel hari ini hongkong yang keluar 2021