| Kuuntele tämä artikkeli |
Automaatio IT-OT-konvergenssin aikakausi
Yritykset etsivät jatkuvasti parempia tapoja lisätä nykyistä työtaakkaa, optimoida tuotantoprosesseja ja vähentää kokonaishiilidioksidipäästöjä (CO2). Käyttötekniikan (OT) ja tietotekniikan (IT) käyttö on auttanut yrityksiä hallitsemaan toimintaansa paremmin valvomalla arvokasta omaisuutta, vähentämällä toistuvia ja rutiinitehtäviä sekä tehostamalla laadunvalvontaa. IT ja OT on kuitenkin perinteisesti kehitetty erikseen ilman kykyä hyödyntää toimintoja ja tuotantotietoja tehdäkseen tietoisempia päätöksiä optimoidun työnkulun ja hyvin suunniteltujen tuotanto- ja ylläpitoprosessien saavuttamiseksi.
Esineiden internetin (IoT) ilmaantuminen viime vuosina hämärtää näiden kahden järjestelmän välisiä rajoja, mikä johtaa läheisempään ratkaisuun. IT-alueeseen kuuluvat IoT-laitteet voivat kerätä toiminta- ja tuotantodataa kentältä ja välittää ne OT-järjestelmiin.
IT:n ja OT:n lähentyminen antaa työntekijöille mahdollisuuden tehdä enemmän ja mennä pidemmälle parannuksilla, mikä löytää oikean tasapainon liiketoiminnan kustannusten ja strategisten teknologiainvestointien välillä. Lisäksi tämä lähentyminen antaa yrityksille mahdollisuuden nopeuttaa digitaalista muutostaan ja optimoida olemassa olevia työnkulkujaan ilman, että niiden tarvitsee laajentaa toimintaansa nopeasti.
Graphics Processing Unit (GPU:t) on osoittautunut ihanteelliseksi koneoppimisalgoritmeihin (ML) perustuvan tietojenkäsittelyn suorittamiseen, jolloin robotit voivat suorittaa objektien tunnistamisen ja anturien yhdistämisen. Lisäedistystä on saatu kehittämällä sovelluskohtaisia integroituja piirejä (ASIC), jotka ovat loistavia tietyissä ML-sovelluksissa, kuten videonkäsittelyssä ja puheentunnistuksessa.
Robotiikkaautomaatio
Yksi IT-OT-konvergenssia parhaiten edustavista teknologioista on toimintojen hallinta robotiikkaautomaation avulla. Automatisoitujen prosessien avulla yritykset voivat analysoida tietoja, saada arvokkaita näkemyksiä ja saada parempaa näkyvyyttä tuotantolaitostensa suorituskyvystä, mikä auttaa heitä tekemään datalähtöisiä päätöksiä. Robotiikkakehitys on kuitenkin perinteisesti ollut erittäin monimutkaista ja haastavaa. Koska robottien kysynnän odotetaan kasvavan nopeasti, nykyistä innovaatiovauhtia voidaan nopeuttaa asianmukaisilla laitteisto- ja ohjelmistotarjouksilla.
Robotiikan nousu
Yleensä robottien käyttöönotto on saanut nämä laitteet isännöimään uusia toimintoja, joilla pyritään lisäämään työvoiman turvallisuutta, vähentämään työntekijöiden rasittavia ja vaarallisia tehtäviä sekä nopeuttamaan sähköistä kaupan toteutumista ja toimitusta sekä parantaa liiketoiminnan joustavuutta ja joustavuutta. Nämä uudet toiminnot edellyttävät korkean tarkkuuden antureita, jotka täyttävät toiminnalliset turvallisuus- ja riskientorjuntavaatimukset, kamerat havaitsemiseen, paikannukseen ja navigointiin sekä robotiikan väliohjelmiston sovellusten käyttöönottoon. Viime vuosien tärkeimmät robotiikkalaitteiston edistysaskeleet ovat mahdollistaneet robotiikan alkuperäisten laitevalmistajien (OEM) kehittämisen robotteja, jotka voivat nähdä ja aistia ympäristönsä:
Samaan aikaan myös ohjelmistojen ja palveluiden kehitys ansaitsee paljon huomiota:
Näiden tärkeiden edistysten ansiosta robotit voivat nyt työskennellä ihmisen rinnalla turvallisesti ja luotettavasti. Teollisuuden robotiikkaaseiden lisäksi viime vuosina on ilmaantunut lisää muototekijöitä, kuten Collaborative Robots (cobots), AGV:t, AMR:t, Automated Storage and Retrieval Systems (ASRS) ja miehittämättömät ilma-ajoneuvot (UAV).
Kaikille näille roboteille yhteinen nimittäjä on niiden kyky havaita ja ymmärtää ympäröivää ympäristöään. Tämä autonomia on mahdollista useiden roboteissa löydettyjen ML-mallien avulla, kuten kohteen havaitseminen ja segmentointi, lokalisointi ja törmäysten välttäminen, liikkeen suunnittelu navigointia ja manipulointia varten, asennon estimointi ja anturien integrointi.
Edge ML:n avulla robotiikan käyttäjät voivat ymmärtää resursseistaan keräämänsä datan ja tehdä paljon parempia liiketoimintapäätöksiä päivittäisen toiminnan, käyttötrendien ja asiakkaiden käyttäytymisen perusteella.
Edge ML robotiikassa
Robotics OEM:t ovat upottaneet roboteihinsa Edge ML:n auttamaan kriittisten toimintojen suorittamisessa, mukaan lukien anturin käsittely, matkan mittaus, lokalisointi ja kartoitus, visio ja havainto, ja polun suunnittelu. Nämä robottien sisällä isännöidyt ML-mallit käsittelevät automaattisesti robottien keräämiä tietoja ja luovat tulosteen, joka sanelee robottien toimet. Edge ML:llä on useita keskeisiä etuja pilvivastineeseensa verrattuna:
Edge ML:n avulla robotiikan käyttäjät voivat ymmärtää resursseistaan keräämänsä datamäärän ja tehdä paljon parempia liiketoimintapäätöksiä päivittäisen toiminnan, käyttötrendien ja asiakkaiden käyttäytymisen perusteella. Saavuttaakseen saumattoman reuna-ML-käyttöönoton robotiikan OEM-valmistajat tarvitsevat oikeantyyppisiä prosessoreita ratkaistakseen tietosuojaan, virrantehokkuuteen ja alhaiseen viiveeseen liittyvät ongelmat ja tarjoavat samalla vahvan laitteiden tietokoneiden suorituskyvyn. Lisäksi OEM-valmistajat luottavat näiden prosessoritoimittajien tarjoamaan reuna-ML-ohjelmistotukeen nopeuttaakseen reuna-ML-käyttöönottoa. Vakiintuneiden toimittajien kattava reuna-ML-ratkaisu voi vähentää monimutkaisuutta ja nopeuttaa reuna-ML-suunnittelua ja -toimintoja sekä tarjota työkuorman organisointia, koulutus- ja testaussimulaatiota sekä mallin uudelleenkoulutustukea.
Reuna-ML-käyttöönotto roboteissa on kuitenkin edelleen monimutkaista. Pelkästään korkeampi laskentakapasiteetti ei riitä. Yritykset tarvitsevat valmiiksi koulutettuja malleja, sovellusten kehitystä ja optimointia sekä ML-sovelluksia käytännönläheisemmille loppukäyttäjille.
Työkalut ja palvelut Nopeutettu robottikehitys
Kehittyneessä teollisuusrobotiikassa on useita ominaisuuksia, jotka pystyvät suorittamaan useita kriittisiä toimintoja. Näiden toimintojen suorittaminen ja organisointi vaativat erittäin kehittyneitä, tiivistettyjä ja skaalautuvia prosessointiratkaisuja, jotka voivat käsitellä useita samanaikaisia sovelluksia, työkuormia ja tekoälyn päättelyputkia ilman jatkuvaa riippuvuutta pilvilaskentaresursseista. Näiden ratkaisujen tulisi myös tukea nopeita rajapintoja, jotka käsittelevät nykyaikaisissa teollisuusroboteissa olevia useita antureita.
NVIDIA on yksi tärkeimmistä prosessorialustojen toimittajista, joka on kiinnittänyt erityistä huomiota tähän alueeseen. GTC 2022:ssa NVIDIA julkaisi Jetson AGX Orin -kehittäjäpaketin ja System-on-Module (SOM), joka perustuu Ampere GPU -arkkitehtuuriin, jossa on jopa 2 048 rinnakkaista CUDA-ydintä, jopa 64 Tensor-ydintä ja enemmän. 2 Deep Learning Accelerator (DLA) -moottoriin. Tämä ratkaisu on suunniteltu käsittelemään jatkuvasti kasvavaa työtaakkaa ja usean samanaikaisuuden vaatimuksia mahdollistamalla jopa 275 Tera Operations per Second (TOPS) prosessointitehoa, 8 kertaa korkeampi kuin edeltäjänsä Jetson AGX Xavier.
NVIDIA tarjoaa markkinoille tulon nopeuttamiseksi myös Isaac Nova Orinin, jossa on kaksi Jetson AGX Orin SOM:ta, jotka tarjoavat jopa 550 TOPS AI-laskennan, sekä anturisarjan, joka koostuu jopa kuusi kameraa, kolme LiDAR-anturia ja kahdeksan ultraäänianturia. Tämä tarjoaa referenssimallin yrityksille, jotka haluavat robottiensa hyödyntävän Jetson AGX Orinin kaikkia ominaisuuksia.
Reuna-ML-käyttöönotto roboteissa on kuitenkin edelleen monimutkaista. Pelkästään korkeampi laskentakapasiteetti ei riitä. Yritykset tarvitsevat valmiiksi koulutettuja malleja, sovelluskehitystä ja optimointia sekä ML-sovelluksia käytännönläheisemmille loppukäyttäjille. Ensimmäistä kertaa vuonna 2018 lanseerattu NVIDIA Isaac suunniteltiin tukemaan robotiikan kehitystä sovelluskehyksen, ML-algoritmeilla varustettujen ohjelmistopakettien, päivitetyn robotiikan simulointialustan ja erilaisten referenssisuunnitelmien kautta. Syyskuussa 2021 NVIDIA ja Open Robotics, ROS:n kehittäjä, tekivät sopimuksen, joka mahdollistaa yhteentoimivuuden Open Robotics’ Ignition Gazebon ja NVIDIA Isaac Simin välillä. Lisäksi kehittäjille, jotka tarkastelevat olemassa olevia malleja mallinkehitysprosessinsa yksinkertaistamiseksi, NVIDIA TAO Transfer Learning Toolkit helpottaa NVIDIA:n valmiiksi koulutettujen ML-mallien mukauttamista tiettyihin käyttötapauksiin.
NVIDIAn ohjelmistotuen avulla robotiikan OEM-valmistajat ja loppukäyttäjät kouluttavat ja optimoivat robotteja monenlaisiin tehtäviin virtuaalisesti. Isaac Sim tarjoaa realistisen ympäristön navigointi- ja manipulointimallien kouluttamiseen. Tapauksissa, joissa reaalimaailman tiedot ovat harvinaisia ja vaikeasti saatavissa, tarkkoja tietoja voidaan täydentää synteettisellä tiedolla mallin koulutukseen kuluvan ajan lyhentämiseksi. Yritykset, jotka käyttävät tuotantolaitoksilla suurta AMR-kantaa, voivat käyttää NVIDIA DeepMap -alustan pilvipohjaista ohjelmistokehityspakettia (SDK) nopeuttaakseen laajojen tilojen robottikartoittamista viikoista päiviin sekä NVIDIA cuOpt Application Programming Interface (API) -sovellusliittymää, joka mahdollistaa lähes todellisen aikareitityksen optimointi ja NVIDIA Metropolis -alusta, joka integroi valmiita videokameroita ja antureita tekoälyä tukevaan videoanalytiikkaan.
Lisäksi NVIDIA on rakentanut kasvavan ekosysteemin, jolla on toimialueen asiantuntemusta robottien rakentamisesta Jetson-alustan avulla. Mukana on 105 yritystä, jotka ovat erikoistuneet tekoälyohjelmistoihin, laitteisto- ja sovellussuunnittelupalveluihin, antureihin ja oheislaitteisiin, kehittäjätyökaluihin, kehitysjärjestelmiin ja muihin, jotka tarjoavat täydentäviä ja lisäarvoa tuovia ratkaisuja ja palveluita. Johtavia kumppaneita ovat SICK, LIPS, FRAMOS, Universal Robots ja e-con Systems. vahva>. Tämän ekosysteemin kautta robotiikan OEM-valmistajat ja loppukäyttäjät voivat odottaa päästä päähän, integroituja ja räätälöityjä kokemuksia, jotka perustuvat heidän tarpeidensa syvälliseen ymmärtämiseen.
Mobiilirobottien sisälogistiikan markkinoiden odotetaan kasvavan 9 miljardista Yhdysvaltain dollarista vuonna 2022 yli 36 miljardiin dollariin vuoteen 2030 mennessä. Sekä automaattitrukkeja että AMR-koneita käytetään materiaalinkäsittelyssä hylätyissä ja uusissa varastoissa. .
Kaupallisia mahdollisuuksia on runsaasti
Vaikka teollisuus on edelleen vahvasti keskittynyt, laitteiston, ohjelmiston ja liiketoimintamallien teknologiset innovaatiot nopeuttavat robottien käyttöönottoa kaikilla tärkeimmillä markkinatoimialoilla. Tämän seurauksena mobiilirobottien sisäisen logistiikan markkinoiden odotetaan kasvavan 9 miljardista Yhdysvaltain dollarista vuonna 2022 yli 36 miljardiin dollariin vuoteen 2030 mennessä. Sekä automaattitrukkeja että AMR:itä käytetään materiaalinkäsittelyssä tehdasteollisuuden ja uusien kenttien varastoissa.
Nyt AMR-koneita ja trukkeja käytetään materiaalinkäsittelyyn ja mobiilikäsittelyyn valmistuksessa, jonka arvon odotetaan nousevan 2,3 miljardista Yhdysvaltain dollarista vuonna 2022 36,4 miljardiin dollariin vuoteen 2030 mennessä. Jatkossa AMR:n ja nelijalkaisten robottien odotetaan kasvavan näkyvästi. toimituksessa, tiedonkeruussa, turvallisuudessa ja siivouksessa. Viimeisen mailin toimitus- ja vähittäiskaupan robotiikkamarkkinoiden odotetaan kasvavan alle 1 miljardista Yhdysvaltain dollarista ja 1,3 miljardista dollarista vuonna 2022 16,2 miljardiin dollariin ja 8,4 miljardiin dollariin vuoteen 2030 mennessä.
Robotiikka ja ML
Yritykset jatkavat nykyisten työnkulkujensa digitalisoimista ja automatisoimista, joten niiden ei pidä unohtaa robotiikan ja ML-pohjaisen automaation merkitystä. Tietoihin perustuvan liiketoimintaympäristön, ML-teknologian, omistetun robotiikan kehitysalustan ja vankan kumppaniekosysteemin syntyminen luo uusia mahdollisuuksia robottien hyväksymiseen ja käyttöön ottamiseen eri markkinoilla.
Epäilemättä nykyinen ja välitön robotiikan käyttöönotto painottuu voimakkaasti suurempiin yrityksiin. Kehittyvät teknologiat tarjoavat kuitenkin robotiikan tarjoajille mahdollisuuden pienentää pienten ja keskisuurten yritysten käyttöönoton esteitä. Kattava laitteisto- ja ohjelmistoratkaisu, kuten NVIDIA tarjoaa, tekee näistä teknologioista helpommin saavutettavissa sekä robotiikan OEM-valmistajille että loppukäyttäjille. Lisäksi yhteistyö kokeneen yrityksen kanssa, jolla on sopiva robotiikkaekosysteemi eli reuna-ML-piirisarjakerroksesta ohjelmisto- ja sovelluskerrokseen, antaa robotiikan OEM-valmistajille mahdollisuuden keskittyä laitteistosuunnittelunsa parantamiseen ja markkina-asemansa laajentamiseen.
Tietoja kirjoittajasta
Lian Jye Su, ABI Researchin pääanalyytikko, vastaa robotiikkaan, tekoälyyn (AI) ja koneoppimiseen liittyvän tutkimuksen organisoinnista (ML). Hän johtaa tutkimusta näiden alojen nousevista ja keskeisistä trendeistä ja sukeltaa syvälle avainkomponenttien edistymiseen, robotiikan ja tekoälyn käyttöönoton alueelliseen dynamiikkaan sekä niiden tuleviin vaikutuksiin ja seurauksiin.
Aiheeseen liittyvä sisältö
