Kunstmatige intelligentie (AI) en machine learning liggen op koers om autonome systemen drastisch te verbeteren. De toekomst ziet er rooskleurig uit en de vooruitgang van AI‑gestuurde robotica zal vanaf nu alleen maar toenemen.
AI heeft tot doel robots het vermogen te geven taken uit te voeren die voorheen alleen met menselijke intelligentie mogelijk waren. Met andere woorden: zelfstandig uiteenlopende taken kunnen uitvoeren, in plaats van louter een vooraf bepaald algoritme van een programmeur te volgen.
Algemene robotica die in diverse automatiseringssectoren wordt gebruikt, voert vaak slechts één taak uit; een van de bekendste voorbeelden zijn de Roomba‑robotstofzuigers. Het hoofddoel van de robotstofzuiger is zich volgens een bepaald patroon binnen een vast gebied te verplaatsen en de bewegingsrichting te draaien of te wijzigen zodra een obstakel wordt gedetecteerd. Deze robot kan echter niet bepalen welke objecten worden herkend en kan zich daarom niet aan zijn omgeving aanpassen.
Een mens kan wel vaststellen welk soort obstakel aanwezig is en hoe dat te vermijden; bijvoorbeeld een huisdier, maar de robotstofzuiger kan dat niet. AI zal de manier waarop machines wereldwijd taken uitvoeren veranderen door informatie te verzamelen en te leren van de ervaringen die ze opdoen. Het gebruik van AI in de robotica profiteert van informatie uit vier kerndomeinen:
- Vision
- Grijpen
- Bewegingsbesturing
- Gegevensverzameling
Vision
Camera's kunnen door het AI‑systeem worden gebruikt om objecten met een hogere mate van nauwkeurigheid en detail te detecteren en herkennen. Door een machine te trainen om te bepalen welk object wordt gedetecteerd, kunnen de vervolgstappen die nodig zijn om een taak uit te voeren snel en betrouwbaar worden geoptimaliseerd.
Grijpen
Met behulp van verschillende sensoren kan een robot worden getraind om te herkennen aan wat voor type object wordt gewerkt. Dit kan worden bereikt door de fysieke eigenschappen van het object te detecteren en de bevindingen te relateren aan andere objecten met vergelijkbare eigenschappen. Aangezien machines doorgaans continu leren, worden databases met informatie als referentie gebruikt. Op deze gegevens wordt nader ingegaan.
Bewegingsbesturing
Door de kracht van de machine‑learning‑vision en grijpsystemen te combineren, kunnen de door de robot vereiste bewegingen met hoge nauwkeurigheid worden uitgevoerd terwijl hij zich aan zijn omgeving aanpast. De bewegingsbesturing wordt gerealiseerd met automatische bewegingsapparaten, zoals de lineaire actuatoren van Progressive Automations.
Gegevensverzameling
De belangrijkste variabele in machine learning is de data die door het AI‑systeem wordt verzameld. Big data wordt gebruikt om de autonome taken van AI‑gestuurde robotica te vergelijken, analyseren en op te bouwen. Alle verzamelde informatie kan en zal worden opgeslagen in databases die specifiek zijn voor de geanalyseerde variabele. De toename aan data zal exponentieel zijn naarmate meer robotica in toepassingen in de echte wereld wordt geïmplementeerd – er wordt meer informatie verzameld en realtime feedback gegeven.
Het gebruik van elektrische lineaire actuatoren zal alleen maar toenemen naarmate meer soorten robotica in autonome systemen binnen tal van sectoren worden toegepast. Kunstmatige intelligentie en machine learning zullen in de loop der tijd verbeteren en onze dagelijkse processen naar een hoog niveau van optimalisatie brengen.