Na veel vallen en opstaan zeggen de oprichters van Jacobi, waaronder roboticus Ken Goldberg, dat ze het hebben gekraakt. Hun software is gebaseerd op onderzoek uit een artikel dat ze hebben gepubliceerd Wetenschap Robotica Vanaf 2020 is het ontworpen om samen te werken met vier toonaangevende fabrikanten van robotpalletiseerarmen. Het maakt gebruik van deep learning om een “eerste schets” te genereren van hoe de hand het object op het palet zou kunnen verplaatsen. Vervolgens gebruikt het meer traditionele robotmethoden, zoals optimalisatie, om te verifiëren dat de beweging veilig en foutloos kan worden uitgevoerd.
Jacobi wil de verouderde methoden vervangen die gebruikers momenteel gebruiken om hun bots te trainen. Bij de conventionele aanpak worden robots geprogrammeerd met behulp van hulpmiddelen die ‘leerhangers’ worden genoemd, en moeten klanten de robot doorgaans handmatig begeleiden om te demonstreren hoe ze elke afzonderlijke doos moeten oppakken en op een pallet kunnen plaatsen. Het hele codeerproces kan maanden duren. Jacobi zegt dat zijn AI-gestuurde oplossing belooft die tijd tot een dag terug te brengen en bewegingen in minder dan een milliseconde kan berekenen. Het bedrijf zegt dat het van plan is zijn product later deze maand te lanceren.
Miljarden dollars worden in AI-robotica gestoken, maar de meeste opwinding is gericht op robots van de volgende generatie die beloven in staat te zijn tot veel verschillende taken – zoals de mensachtige robot die Figure hielp 675 miljoen dollar op te halen bij investeerders, waaronder Microsoft. en OpenAI, die in februari een waardering van $2,6 miljard bereikten. In deze context lijkt het misschien heel eenvoudig om kunstmatige intelligentie te gebruiken om een betere robot te trainen om dozen te stapelen.
Jacobi’s startfinancieringsronde is in vergelijking triviaal: $5 miljoen onder leiding van Moxxie Ventures. Maar te midden van de geruchten rond beloofde doorbraken in de robotica, die jaren kunnen duren voordat ze werkelijkheid worden, kan het palletiseren wel eens het magazijnprobleem zijn dat AI op de korte termijn het beste kan oplossen.
“We hebben een zeer pragmatische aanpak”, zegt Max Cao, medeoprichter en CEO van Jacobi. “Deze taken liggen binnen handbereik en we kunnen in een kort tijdsbestek veel acceptatie krijgen, vergeleken met sommige van de succesvolle.”
Het softwareproduct van Jacobi omvat een virtuele studio waar klanten replica’s van hun opstellingen kunnen bouwen, waarbij factoren worden vastgelegd zoals het robotmodel dat ze hebben, welke soorten dozen van de lopende band komen en in welke richting de labels moeten staan. Een verhuismagazijn voor sportartikelen kan het programma bijvoorbeeld gebruiken om de beste manier te vinden om een gemengd pallet aan tennisballen, rackets en kleding te stapelen. Vervolgens plannen de algoritmen van Jacobi automatisch de vele bewegingen die de robotarm moet maken om de pallet te stapelen, en worden de instructies naar de robot verzonden.
JACOBI ROBOTICA
Deze aanpak combineert de voordelen van snel computergebruik door AI met de precisie van traditionele robottechnieken, zegt Dmitry Berenson, hoogleraar robotica aan de Universiteit van Michigan, die niet bij het bedrijf betrokken is.
“Ze doen hier iets heel verstandigs”, zegt hij. Veel modern robotica-onderzoek zet in op AI, in de hoop dat deep learning meer handmatige training kan aanvullen of vervangen door de robot te laten leren van eerdere voorbeelden van een bepaalde beweging of taak. Maar door ervoor te zorgen dat de voorspellingen die door deep learning worden gegenereerd, worden getoetst aan de resultaten van meer traditionele methoden, ontwikkelt Jacobi planningsalgoritmen die waarschijnlijk minder foutgevoelig zijn, zegt Berenson.
De snelheid van de planning die daaruit zou kunnen voortvloeien, “duwt dit in een nieuwe categorie”, voegt hij eraan toe. “Je merkt niet eens hoe lang het duurt om de beweging te berekenen. Dat is heel belangrijk in een industriële omgeving, waar elke pauze vertraging betekent.”