Noticias

Universal Robots, en colaboración con Scale AI, ha lanzado el UR AI Trainer, una plataforma de entrenamiento revolucionaria que aprovecha la retroalimentación de fuerza física y los datos cinemáticos del mundo real para la transición de manipuladores colaborativos de trayectorias preprogramadas rígidas a rutinas de comportamiento autónomas desarrolladas por IA.

La traducción de algoritmos robóticos avanzados desde entornos de investigación simulados a las realidades impredecibles de la planta de fabricación ha sido durante mucho tiempo un cuello de botella principal para los ingenieros de integración. Las metodologías de entrenamiento robótico tradicionales dependen en gran medida de simulaciones sintéticas o conjuntos de datos visuales de baja fidelidad, que fundamentalmente no logran capturar las sutiles resistencias mecánicas, los coeficientes de fricción y la retroalimentación física que se encuentran durante las tareas complejas de ensamblaje manual. Cuando un sistema robótico se basa exclusivamente en la visión artificial, permanece ciego a las fuerzas táctiles necesarias para manipular materiales delicados, gestionar las tolerancias de las piezas o ejecutar de forma segura tareas colaborativas junto con técnicos humanos. Esta desconexión a menudo obliga a realizar un ajuste manual extenso en la línea de producción, lo que aumenta los costos de implementación y retrasa el tiempo de comercialización de las celdas de automatización avanzadas. La introducción del UR AI Trainer tiene como objetivo eliminar esta barrera operativa al cambiar el paradigma de la imitación puramente visual a una conciencia física integral y multimodal.

Presentada en la reciente conferencia NVIDIA GTC, la plataforma se distingue por integrar la arquitectura patentada de control directo de par de Universal Robots directamente en el bucle de entrenamiento de aprendizaje automático. En lugar de simplemente registrar las coordenadas espaciales de cómo se ve una trayectoria optimizada, el sistema registra simultáneamente cómo se siente la trayectoria desde una perspectiva mecánica. La tubería de entrenamiento utiliza una configuración de seguidor líder físico donde un operador humano guía a un robot líder primario a través de una secuencia de operaciones táctiles, como inserción de precisión, pulido o agarre adaptativo. Durante esta demostración, el manipulador líder captura continuamente valores de par de accionamiento en tiempo real, vectores de fuerza externos y fotogramas visuales de múltiples ángulos. El UR AI Trainer luego compila esta telemetría multimodal en un conjunto de datos unificado de Visión-Lenguaje-Acción (VLA). Esta robusta matriz de datos permite a la red neuronal sintetizar modelos de comportamiento integrales que se pueden implementar instantáneamente en una flota de robots de producción, dándoles la capacidad autónoma de adaptar sus salidas de par dinámicamente cuando encuentran variaciones físicas en la planta.

Esta transición a un marco basado en VLA altera fundamentalmente el papel de la infraestructura de computación descentralizada dentro de la fábrica. Al utilizar una arquitectura de "máquinas que entrenan máquinas", las cargas de trabajo de entrenamiento cognitivo de alto nivel, como el cálculo de trayectorias óptimas de herramientas, el equilibrio de velocidades de las articulaciones y el refinamiento de flujos de trabajo adaptativos, se ejecutan en computadoras de IA locales dedicadas y de alto rendimiento en lugar de gravar los controladores nativos integrados en los brazos físicos. Esta topología de computación distribuida permite que el brazo robótico siga siendo un ejecutor eficiente y determinista de trayectorias en tiempo real mientras ejecuta ajustes inteligentes basados en variaciones de fuerza localizadas. Dado que los modelos de aprendizaje automático subyacentes están sujetos a estrictas restricciones de seguridad predefinidas programadas a nivel de firmware, las instalaciones pueden implementar estas celdas robóticas auto-optimizadas en espacios de trabajo compartidos entre humanos y máquinas sin violar los estrictos estándares de seguridad industrial.

Para los equipos de adquisiciones empresariales y los integradores de sistemas que gestionan amplias instalaciones de múltiples sitios, esta plataforma de capacitación ofrece un mecanismo altamente escalable para estandarizar el comportamiento de las máquinas. Al emparejar los conjuntos de datos táctiles generados a través del UR AI Trainer con un software de análisis predictivo avanzado, los grupos de mantenimiento pueden rastrear pequeños cambios en las desviaciones de torque a lo largo del tiempo, convirtiendo la telemetría de capacitación sin procesar en indicadores de salud procesables para el monitoreo predictivo del desgaste. A medida que los ciclos de vida de los productos se acortan y la fabricación de gran variedad y bajo volumen dicta cambios constantes de línea, la capacidad de capacitar rápidamente un robot maestro mediante demostración física y propagar instantáneamente esos complejos comportamientos táctiles a través de una red global de manipuladores colaborativos garantiza que las líneas de producción automatizadas sigan siendo resistentes, altamente adaptables e inherentemente a prueba de futuro.

Escrito por: Marcus Vance, analista senior de sistemas industriales con más de 15 años de experiencia especializado en el despliegue de cinemática colaborativa avanzada, bucles de control de torque deterministas y marcos de orquestación de datos de edge-AI para redes de fabricación B2B globales.