Os desenvolvedores têm se esforçado para fechar a lacuna na preensão robótica nos últimos anos, buscando aplicações para indústrias multibilionárias. Agarrar e transferir com segurança itens em movimento rápido em correias transportadoras é uma grande promessa para as empresas.
A Soft Robotics, uma startup de Bedford, Massachusetts, está aproveitando o Nvidia Isaac Sim para ajudar a fechar o sim para a lacuna real para um punhado de aplicativos de preensão robótica. Uma área é aperfeiçoar a preensão para coleta e colocação de alimentos para embalagem.
As empresas de embalagem e processamento de alimentos estão usando o sistema mGripAI da startup, que combina preensão suave com 3D Vision e IA para agarrar alimentos delicados, como proteínas, produtos hortifrutigranjeiros e itens de panificação sem danos.
David Weatherwax, diretor sênior de engenharia de software da Soft Robotics, diz: “Estamos vendendo as mãos, os olhos e o cérebro da solução de picking”.
Ao contrário de outras indústrias que adotaram a robótica, o mercado de alimentos de US$ 8 trilhões demorou a desenvolver robôs para lidar com itens variáveis em ambientes não estruturados, diz a Soft Robotics.
A empresa, fundada em 2013, conseguiu recentemente US$ 26 milhões em financiamento da Série C da Tyson Ventures, Marel e Johnsonville Ventures.
Empresas como Tyson Foods e Johnsonville estão apostando na adoção da automação robótica para ajudar a melhorar a segurança e aumentar a produção em suas instalações. Ambas as empresas contam com tecnologias Soft Robotics.
A Soft Robotics é membro do programa Nvidia Inception, que fornece às empresas suporte a GPU e orientação sobre plataformas de IA.
Como lidar com dados sintéticos
A Soft Robotics desenvolve modelos exclusivos para cada uma de suas aplicações de preensão, cada uma exigindo conjuntos de dados específicos. E escolher entre pilhas de frango molhado e escorregadio e outros alimentos pode ser um desafio complicado.
Utilizando Omniverse e Isaac Sim, a empresa pode criar renderizações 3D de partes de frango com diferentes fundos, como em esteiras transportadoras ou em caixas e com diferentes cenários de iluminação.
A empresa usa o Isaac Replicator para desenvolver dados sintéticos, gerando centenas de milhares de imagens por modelo e distribuindo-as entre uma variedade de instâncias na nuvem. O Isaac Replicator é um conjunto de ferramentas, APIs e fluxos de trabalho para gerar dados sintéticos usando o Isaac Sim.
Ele também executa modelos de estimativa de pose para ajudar seu sistema de preensão a ver o ângulo do item a ser escolhido.
As GPUs Nvidia A100 no local permitem que a Soft Robotics execute inferências em frações de segundo com modelos exclusivos para cada aplicativo nessas instalações de processamento de alimentos. Enquanto isso, a simulação e o treinamento no Isaac Sim oferecem acesso ao Nvidia A100s para escalar as cargas de trabalho.
Weatherwax diz: “Nossa configuração atual é totalmente sintética, o que nos permite implantar rapidamente novos aplicativos. Estamos todos no Omniverse e Isaac Sim, e isso está funcionando muito bem para nós.”
Resolvendo problemas com oclusão e iluminação
Um grande desafio da Soft Robotics é resolver problemas de oclusão para entender como diferentes pedaços de frango se empilham e se sobrepõem quando empilhados. “Como essas formas podem ser bastante complexas”, diz ele.
Os olhares sobre o frango molhado podem potencialmente prejudicar os modelos de detecção. “Uma coisa importante para nós é a iluminação, então o ray tracing baseado em Nvidia RTX é realmente importante.”
Mas onde realmente fica interessante é modelar tudo em 3D e descobrir em uma fração de segundo qual item é o menos obstruído em uma pilha e mais acessível para uma garra de robô pegar e colocar.
Construindo conjuntos de dados sintéticos com precisão baseada na física, o Omniverse permite que a Soft Robotics crie esses ambientes. “Um dos grandes desafios que temos é como todos esses objetos amorfos se formam em uma pilha.”
Aumentando a precisão da escolha da linha de produção
As linhas de produção nas fábricas de processamento de alimentos podem se mover rapidamente. Mas os robôs implantados com modelos específicos de aplicativos prometem lidar com até 100 coletas por minuto.
Ainda um trabalho em andamento, o sucesso em tais tarefas depende de representações precisas de pilhas de itens, apoiadas por conjuntos de dados de treinamento que consideram todas as maneiras possíveis de os itens caírem em uma pilha.
O objetivo é fornecer ao robô a melhor escolha disponível em um ambiente complexo e dinâmico. Se os itens alimentares caírem da correia transportadora ou forem danificados, isso é considerado desperdício, o que afeta diretamente o rendimento.
Gerando ganhos de produção
As empresas frigoríficas dependem de filas de pessoas para processar o frango, mas, como tantas outras indústrias, elas enfrentam escassez de funcionários. Alguns que estão construindo novas fábricas para processamento de alimentos nem conseguem atrair trabalhadores suficientes no lançamento, diz Weatherwax.
“Eles estão tendo muitos desafios de pessoal, então há um esforço para automatizar”, diz ele.
O trabalho orientado para o Omniverse para empresas de processamento de alimentos gerou um aumento de mais de 10 vezes em sua capacidade de simulação, acelerando os tempos de implantação de sistemas de separação de IA de meses para dias.
E isso está permitindo que os clientes da Soft Robotics controlem mais do que apenas implantar linhas automatizadas de coleta de frango – é garantir que eles estejam cobertos para um desafio de emprego que atingiu muitos setores, especialmente aqueles com aumento de lesões e riscos à saúde.
“Manusear frango cru é um trabalho mais adequado para um robô”, diz ele.
Você pode gostar também…
[ad_2]
