盡管制造業(yè)一直被認為是自動化程度最高的行業(yè)，全自動化工廠似乎仍遙遙無期，人工智能定義的機器人技術將會給制造業(yè)帶來顛覆性的改變，加上疫情的爆發(fā)，將加快制造業(yè)自動化的步伐。
具有更好靈巧性和自主學習能力的機器人將如何改變制造過程和行業(yè)格局？制造企業(yè)應該如何應對機器人2.0帶來的顛覆性創(chuàng)新？疫情之下，制造業(yè)的轉型速度是否也會進一步加快？下面的內容將給你回答這些問題！
很多人可能看不到人工智能如何實現(xiàn)自主學習，如何讓機器人應用于制造業(yè)，以及這些智能技術最終將如何影響我們的生產(chǎn)力、就業(yè)和日常生活。但是，AI技術已經(jīng)在切切實實地影響甚至顛覆了整個制造業(yè)。
制造業(yè)自動化現(xiàn)狀制造業(yè)的未來已來，只是目前應用的范圍還不夠廣泛。--威廉·吉布森（William Gibson）
根據(jù)國際機器人聯(lián)合會（IFR）最近發(fā)布的一份報告，2018年全球工業(yè)機械臂出貨量創(chuàng)下新紀錄，達到38.4萬臺。我國仍然是世界上最大的市場（占35%），其次是日本和美國。
汽車和電子制造業(yè)仍然是AI機械的最大應用市場（60%），遠遠領先于其他行業(yè)，包括金屬、塑料和食品。
資料來源：IFR統(tǒng)計部
資料來源：IFR統(tǒng)計部
此時，你可能會想：
在幾十年前，工業(yè)機械臂就已經(jīng)被引入制造業(yè)。自動化應該已經(jīng)應用到所有可能的領域里，還有什么可以創(chuàng)新的空間？
出乎意料的是，即使是自動化程度最高的汽車工業(yè)，也離成為一個“熄燈工廠”、一個完全自動化的工廠還有很長的路要走。
例如，大多數(shù)汽車裝配仍然是手工完成的，這是這個過程中勞動密集度最高的部分，平均有三分之二的員工在汽車廠的流水線上工作。
就連一向追求創(chuàng)新、倡導高度自動化的特斯拉CEO埃隆·馬斯克也不得不公開承認，特斯拉生產(chǎn)線自動化的進展并未達到預期。
為什么自動化如此困難？自動化迄今未能克服的技術限制有哪些？1.靈活性和適應性
今天的自動化生產(chǎn)線是為大規(guī)模生產(chǎn)而設計的，自動化有效地降低了成本，但也導致了靈活性的缺乏。更短的產(chǎn)品生命周期，越來越多的小批量但高度定制的生產(chǎn)要求更高的靈活性，而且人類通常比機器人更能適應變化。
2.靈巧性與任務復雜性
盡管科技進步很快，但人類的靈巧程度仍然高于機器人。在眾多的制造商中，我們可以看到，盡管裝配過程已經(jīng)高度自動化，但裝配過程仍然主要是手動的。
配套在制造業(yè)和倉儲業(yè)都很常見，這是提高生產(chǎn)效率的重要一步。它是指收集組裝產(chǎn)品所需的各種組件，將其包裝并放入工具包中的過程。
然后，機器人從工具箱中取出零件并進行組裝，這個裝配階段的自動化相對容易，因為每個零件都處于固定的位置和角度。相反，在裝配過程中，必須對零件進行標識，并將其從盒子中取出，在盒子中無序存放。各部件的位置不同，可能會產(chǎn)生重疊或纏繞，對傳統(tǒng)的機器視覺和機器人技術提出挑戰(zhàn)。
3.視覺和非視覺反饋
許多復雜的裝配操作依賴于操作者的經(jīng)驗或“直覺”。無論是安裝汽車座椅還是將零件放入套件，這些看似簡單的動作都需要操作者根據(jù)各種視覺和觸覺信號來調整動作的角度和力度。
傳統(tǒng)的自動化編程對于這樣的微調任務并不有用，因為檢索或放置項的每個實例都不完全相同。它需要人類從多次嘗試中學習和歸納的能力，對這種能力的掌握，特別是深入和強化的學習，可以給機器人帶來最大的改變！
KIT工具包-來源：kitting-assembly.ca
機器人2.0：人工智能機器人能完成哪些以前無法完成的任務？人工智能給機械臂帶來的最大變化是：在過去，機械臂只能重復執(zhí)行工程師的書寫過程。盡管他們的準確性和精確性，他們無法應對環(huán)境或過程的變化。
多虧了人工智能，機器現(xiàn)在可以學會自己處理各種各樣的對象和任務。具體來說，人工智能機器人與傳統(tǒng)機械臂相比，在三大領域取得了重大突破：
1.視覺系統(tǒng)
即使是最先進的3D工業(yè)相機，在確定深度和距離以及識別透明包裝、反光表面或可變形物體方面也不具備人眼的準確性。
這就解釋了為什么很難找到能夠提供精確深度并識別大多數(shù)包裹和物品的相機。但是，由于人工智能，這種情況很快就會改變。
近年來，機器視覺在深度學習、語義分割和場景理解等方面取得了巨大的進步。
這些改進了使用商品相機的深度和圖像識別，使制造商能夠獲得準確的圖像信息，并在不需要昂貴相機的情況下成功識別透明或反光的物體包裝。
深度學習對象識別示例，從左到右：蒙版，對象建模，抓取點預測
2.可擴展性
與傳統(tǒng)的機器視覺不同，深度學習不需要預先注冊或構建每個項目的3D CAD模型，訓練后的人工神經(jīng)網(wǎng)絡能自動識別圖像中的目標。
無監(jiān)督或自監(jiān)督學習也可用于減少手動標記數(shù)據(jù)或特征的需要，使機器更接近人類學習。
ML減少了人工干預的需要，使機器人能夠處理新的部件，而無需工程師重寫程序。隨著機器通過其操作收集越來越多的數(shù)據(jù)，機器學習模型的精度也將進一步提高。
目前，一條典型的生產(chǎn)線通常有振動臺、給料機、輸送帶等周邊設備，以保證機器人能夠準確地取下所需的零部件。
如果機器學習進一步發(fā)展，機械臂變得更加智能，也許有一天，這些比機械臂貴四五倍以上的外圍設備將不再需要。
另一方面，由于深度學習模型通常存儲在云中，這也允許機器人相互學習和共享知識。例如，如果一個機器人手臂在一夜之間學會了將兩個部分結合起來，那么它就可以將新模型更新到云中，并與其他機器人共享。這節(jié)省了其他機器的學習時間，也確保了質量的一致性。
3.智能布局
一些對我們來說似乎很容易的指令，例如小心地處理或整齊地排列項目，對機器人來說是一個巨大的技術挑戰(zhàn)。如何定義“小心處理”？當物體接觸桌面時是否立即停止施力？還是把物體移到離桌子6厘米的地方然后讓它自然落下？或者當你接近桌面時，它會逐漸減速嗎？這些不同的定義如何影響項目放置的速度和準確性？
把物品整齊地擺放起來就更困難了。即使我們忽略了“整潔”的定義，我們也必須首先從正確的位置撿起物品，以便準確地將物品放置在所需的位置和角度：機械臂仍然沒有人類的靈巧，目前大多數(shù)機械臂仍然使用吸盤。在獲得像人類關節(jié)和手指那樣的精細運動技能方面仍有很大的改進空間。
其次，我們需要能夠立即確定被抓物體的角度位置和形狀。以上圖中的杯子為例，機器人手臂需要知道：杯子是朝上還是朝下？它應該側放還是豎著放？是否還有其他項目或障礙？這樣機器人就可以決定把杯子放在哪里，以最有效地利用空間。
我們從出生起就不斷地學習揀放物品的各種任務，這些復雜的任務可以本能地完成。但是，機器沒有這樣的經(jīng)驗，必須重新學習任務。
利用人工智能，機器人手臂現(xiàn)在可以更準確地判斷深度。它還可以通過訓練來學習，并確定一個杯子是朝上還是朝下，或者是處于其他狀態(tài)。
物體建模或體素化可以用來預測和重建三維物體，它們使機器能夠更準確地呈現(xiàn)實際項目的大小和形狀，并將項目更準確地放置在所需的位置。
思考及行動AI技術對制造業(yè)來說意味著什么？
疫情之后，我們會看到制造行業(yè)的重組嗎？
疫情之下，誰能抓住機遇，在自動化時代站穩(wěn)腳跟且快速？
疫情之下，AI如何賦能制造業(yè)，快速實現(xiàn)產(chǎn)業(yè)的數(shù)字化創(chuàng)新升級？
這些問題都值得制造業(yè)企業(yè)們深入思考！
點擊閱讀原文，開啟你的制造業(yè)企業(yè)創(chuàng)新升級之路！
