Это особенно верно для автономных мобильных роботов (AMR). Как правило, эти колесные системы используются для транспортировки материалов и сбора данных (таких как учет инвентаря) и используют датчики зрения и навигационное программное обеспечение для динамической адаптации к новым условиям и ситуациям.
Вот пример того, как два человека приближаются друг к другу в противоположных направлениях в узком коридоре. Они, как правило, узнают друг друга каким-то образом перед тем, как пройти, например кивком или взглядом. Один или оба, вероятно, замедлятся и, возможно, отойдут в сторону, чтобы дать другому более широкое место. Робот с близоруким фокусом на максимально эффективном перемещении из точки А в точку Б будет не таким внимательным. Возможно, он не столкнется с человеком, идущим к нему, но его движения покажутся такими же холодными, сколь и эффективными, и, возможно, даже угрожающими.
Робот «агрессивный». Робот «грубый». Робот «действует как пьяный». Мы не можем не приписывать человеческие черты неодушевленным объектам, особенно объектам, которые действуют автономно и подразумевают, что они являются нашими сотрудниками.
Эта тенденция влияет на наше поведение. Сотрудники могут терять время, опасаясь злобных роботов. Они могут даже перестать работать, чтобы наблюдать за странным поведением. Независимо от специфики ситуации, мы с меньшей вероятностью будем использовать какую-либо технологию в полной мере или даже использовать ее вообще, если она будет вызывать чувство нерешительности или запугивания.
Вместо этого, что, если роботы могли поддерживать удобную дистанцию, когда они нужно? Что если бы они могли различать человека, погрузчика и поддон ЧПУ и соответственно корректировать свое поведение? Роботыне могут кивнуть или взглянуть, но что, если они смогут использовать звук или свет (скажем, сигнал поворота), чтобы уведомить людей об их намерениях? Делать поведение более естественным и предсказуемым - вот основная философия конструкции роботов будущего. Нужно разрабатывать роботов для людей, а не роботов для роботов.
Это возможно благодаря пересечению взаимосвязанных технологий.
Это системы трехмерного зрения, которые стала более доступной, чем когда-либо, благодаря достижениям в областях, которые кажутся не связанными, например, с автономными транспортными средствами. Хотя 2D лазерные датчики, используемые для большинства роботов, чрезвычайно точны и способны обнаруживать удаленные объекты, их зрение ограничивается обзором основных геометрических фигур.
Добавьте 3D-камеры, чтобы дополнить 2D-датчики, как это сделал Fetch, и роботы смогут нарисовать более полную картину своего окружения. Более надежные визуальные данные имеют решающее значение не только для различения объектов, но и для алгоритмов машинного обучения, которые позволяют роботам определять, как лучше реагировать на эти объекты.
В настоящее время мобильные роботы уже перемещаются по проходам, отфильтровывая богатую обратную связь от датчиков зрения через искусственные нейронные сети (ANN), чтобы различать препятствия и определять не только как перемещаться вокруг них, но и перемещаться вокруг них соответствующим образом.
Каждый раз, когда робот идентифицирует и / или правильно реагирует на препятствие, отдельные узлы соответствующим образом ранжируются. Это делает тот же результат более предсказуемым в будущем, даже когда роботы будут фильтровать новые данные датчиков из новой среды.
Данные полученные на заводе-изготовителе, гарантируют, что новейшие AMR будут использовать весь опыт их предшественников. Через годы набор данных станет еще более надежным, и, вероятно, будут доступны новые методы машинного обучения. Каким бы ни было будущее AMR в станках с ЧПУ, стоит подумать о том, как конструкция робота может измениться как в результате технологических изменений, так и в отношении понимания природы автоматизации.
