Zgniecione kartony to zmora magazynowej AI. Pomoże połączenie generatywnej AI i grawitacji

Zespół badaczy ds. sztucznej inteligencji z firmy Zebra Technologies opracował rozwiązanie, które ma zlikwidować tę lukę. Łącząc zasady fizyki z generatywną AI, naukowcy stworzyli zbiór danych STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes). Ma on pomóc w dokładniejszym trenowaniu modeli komputerowego widzenia, wykorzystywanych m.in. przy układaniu towarów na regałach, planowaniu ładunków na paletach i posadzce czy załadunku samochodów ciężarowych.

– Udostępniając zbiór danych STRIPES, oddajemy w ręce środowiska akademickiego i biznesowego, a także naszych partnerów i klientów, nowe, zaawansowane narzędzie, które pomoże rozwój inteligentnych rozwiązań automatyzujących pracę – mówi Andrea Mirabile, Senior Director of AI Research w Zebra Technologies.

Trzy filary cyfrowego realizmu

Tradycyjne zbiory danych opierają się zazwyczaj na statycznych modelach 3D lub samych fotografiach, co ogranicza ich wszechstronność. W przypadku STRIPES naukowcy wdrożyli proces oparty na trzech kluczowych elementach:

1. Generowanie obrazów przez AI: Zamiast sztywnych szablonów wykorzystano generatywną sztuczną inteligencję. W ten sposób powstała zróżnicowana baza 30 000 obrazów, obejmująca 3 000 unikalnych tekstur oraz geometrii pudeł, a także milion oznaczonych obiektów.
2. Odwzorowanie zużycia i zniszczeń: Zadbano o detale, z którymi systemy stykają się w transporcie i przy przeładunku. Do modeli wprowadzono zgniecenia, wgniecenia powierzchni, osadzający się kurz oraz warstwy folii stretch.
3. Symulacja praw grawitacji: Zespół zastosował mechanizmy fizyczne imitujące grawitację, aby oddać naturalne zsuwanie się, przechylanie czy blokowanie paczek. Dzięki temu algorytmy uczą się rozpoznawać obiekty w ciasnych, nieuporządkowanych układach, dokładnie tak, jak wygląda to przy składowaniu towarów lub załadunku aut dostawczych.

Wyższa dokładność na magazynowych urządzeniach

Stworzony zbiór przetestowano na kompaktowych, nowoczesnych modelach sztucznej inteligencji do analizy obrazu. Oprogramowanie to zoptymalizowano tak, aby mogło pracować w czasie rzeczywistym bezpośrednio na urządzeniach magazynowych.

Wyniki testów wykazały, że wstępne przeszkolenie na zbiorze STRIPES, a następnie dostosowanie algorytmów do warunków konkretnego obiektu, zwiększyło dokładność wykrywania obiektów nawet o 4,9% w porównaniu z modelami uczonymi wyłącznie na danych rzeczywistych lub standardowych danych syntetycznych.

Twórcy projektu wskazują, że w przyszłości metoda ta może znaleźć zastosowanie w kolejnych obszarach automatyzacji logistyki, takich jak sterowanie robotami przemysłowymi, precyzyjne chwytanie i przenoszenie przedmiotów oraz tworzenie trójwymiarowych modeli przestrzeni magazynowej.

– Nasze badania i rozwiązania pomagają łączyć świat fizyczny, dane, AI i procesy operacyjne – podkreśla Andrea Mirabile. – Pokazujemy, jak AI wykorzystywana bezpośrednio w codziennej pracy może ułatwiać monitorowanie zasobów i wspierać pracowników w realizacji zadań.