Gracias al aprendizaje federado los robots pueden aprender unos de otros sin compartir datos confidenciales y secretos de la empresa.
FUENTE:infoplc.net
El proyecto de investigación FLAIROP (Federated Learning for Robot Picking), patrocinado por el Ministerio Federal Alemán de Asuntos Económicos y Acción Climática, concluyó en Festo en Esslingen-Berkheim. En el evento, todos los participantes del proyecto, así como el público interesado, estuvieron en el lugar o presentaron sus resultados en vivo desde Canadá.
Durante los últimos dos años, Festo ha estado realizando una investigación conjunta con el «Karlsruher Institut für Technologie» (KIT) y socios de Canadá (Universidad de Waterloo, Darwin AI) para hacer que los robots de picking sean más inteligentes utilizando métodos de inteligencia artificial distribuida. Para ello, los socios investigaron cómo los robots pueden aprender unos de otros sin compartir sus datos de entrenamiento. Este enfoque, llamado Aprendizaje federado, permite desarrollar una IA más robusta y eficiente de lo que sería posible con datos de un solo robot, sin entregar datos confidenciales de la empresa.
«Estamos orgullosos de haber logrado demostrar que los robots pueden aprender unos de otros sin compartir datos confidenciales y secretos de la empresa. Esto protege los datos de nuestros clientes y también ganamos velocidad porque los robots pueden hacerse cargo de muchas tareas más rápido de esta manera. Por ejemplo , los robots colaborativos pueden ayudar a los trabajadores de producción con tareas repetitivas, pesadas y agotadoras», dice Jan Seyler, director de análisis y control de desarrollo avanzado.
«Hemos desarrollado un conjunto de datos universal basado en simulación que podemos usar para entrenar robots de picking autónomos de tal manera que puedan agarrar de manera confiable elementos que no han visto antes», explica Maximilian Gilles de KIT. En el futuro, el Sistema de aprendizaje federado se desarrollará aún más para que la plataforma permita a diferentes empresas entrenar sistemas de robots juntas sin tener que compartir datos entre ellas. Esto puede aumentar la aceptación de dichos sistemas en la práctica.
El aprendizaje federado es una técnica de aprendizaje automático para crear aplicaciones de inteligencia artificial que preservan la privacidad. En lugar de enviar los datos de entrenamiento de los brazos robóticos en las celdas de recolección a un servidor central para entrenar el modelo allí, el entrenamiento se lleva a cabo en muchas ubicaciones diferentes. Luego, los modelos entrenados localmente se envían al servidor central de aprendizaje automático para que los datos confidenciales de entrenamiento no abandonen el proveedor de datos. Sin embargo, el aprendizaje federado permite el aprendizaje a través de silos de datos al agregar los modelos distribuidos y, en última instancia, permite una predicción altamente precisa y basada en datos del reconocimiento de objetos y la detección de puntos de agarre.
Los brazos robóticos de las celdas de preparación de pedidos están equipados con cámaras para detectar visualmente los artículos que tienen delante. Según la imagen de la cámara, los brazos robóticos reconocen automáticamente los diferentes elementos y seleccionan un método de agarre adecuado. Debido a la variedad de artículos en un almacén, esta es una tarea complicada y se necesitan grandes cantidades de datos para lograr resultados razonables. Crear cantidades tan grandes de datos requiere mucho tiempo. Con los datos recopilados de las celdas de recolección en diferentes organizaciones, fue posible mejorar la detección del punto de agarre de las celdas.
Durante el proyecto, se instalaron un total de cinco estaciones de recolección autónomas para entrenar a los robots: dos en el Instituto KIT para Manejo de Materiales y Sistemas Logísticos (IFL) y tres en Festo SE & Co. KG con sede en Esslingen am Neckar.
En el evento final, Festo se centró en la usabilidad de los resultados. Jan Seyler: «Estamos mostrando en qué productos de Festo se puede incorporar». Los resultados de la investigación ahora se publicarán y podrán ser utilizados libremente por todas las partes interesadas en proyectos piloto iniciales».
