TREINANDO A IA FÍSICA COM O GÊMEO DIGITAL: UM CAMINHO MAIS RÁPIDO PARA UMA ROBÓTICA MAIS FLEXÍVEL

A automação tem sido uma parte fundamental da manufatura há mais de um século, desde as simples linhas de montagem do passado até a robótica avançada e autônoma dos dias de hoje. No entanto, à medida que as exigências impostas aos sistemas de manufatura continuam aumentando, as capacidades dos sistemas automatizados também precisam evoluir. Para atender às demandas de manufatura do século XXI, os robôs industriais precisam ir além de comandos inflexíveis e previamente programados e adquirir a capacidade de se adaptar rapidamente às mudanças nas condições — sejam elas demandas comerciais repentinas ou novos requisitos de produção.

Esse nível de flexibilidade exige inteligência artificial (IA), certamente, mas não qualquer tipo de IA; é necessária uma IA capaz de compreender e interagir com o mundo real. Em outras palavras, IA física.

IA física refere-se à aplicação da inteligência artificial além do âmbito digital, permitindo que os sistemas de IA percebam, raciocinem e atuem no mundo físico em tempo real. Ela combina tecnologias avançadas de sensoriamento (como visão, áudio, profundidade e movimento), modelos de IA industrial cada vez mais avançados e sistemas físicos, como robôs e máquinas. Diferentemente da automação tradicional, a IA física permite que os sistemas interpretem ambientes não estruturados, se adaptem a novas situações e tomem decisões autônomas, em vez de simplesmente seguirem instruções rígidas e pré-programadas.



Legenda: Tecnologias avançadas de sensoriamento, IA industrial e sistemas físicos, como robôs e máquinas, formam os principais componentes da IA física. (Crédito da imagem: Siemens).

Embora a IA física represente uma solução para o problema da automação inflexível, desenvolver um modelo de IA capaz de processar dados complexos de múltiplos sensores e chegar a conclusões confiáveis sobre quais ações devem ser tomadas não é uma tarefa simples. Coletar e gerenciar os dados necessários para treinar um modelo de IA física, juntamente com todo um ambiente de treinamento no mundo real, seria impraticável, senão impossível, sem um Gêmeo Digital abrangente.

O valor da IA física
Quando se trata do chão de fábrica, um dos maiores recursos de um ser humano é sua compreensão intuitiva do mundo, que lhe proporciona versatilidade para realizar inúmeras tarefas pequenas e diferentes com o mínimo de instruções. Isso inclui tarefas como pegar um parafuso de um recipiente ou retirar uma caixa de um armazém sem esbarrar em nada. Embora sejam triviais para uma pessoa, essas tarefas são surpreendentemente complexas para um sistema de automação.

A automação tradicional depende de trajetórias e distâncias predefinidas, exigindo layouts precisos de armazéns, estruturas rígidas para acomodar peças como parafusos e outros exemplos igualmente restritivos. Embora a automação baseada em IA básica relaxe um pouco essas limitações, permitindo que os robôs peguem peças de um recipiente ou de uma área geral de um armazém, esses modelos de IA não conseguem se adaptar adequadamente a situações complexas que estejam fora do escopo da tarefa para a qual foram treinados.

É por isso que os modelos de IA física são fundamentais. Eles são treinados para compreender o mundo físico de maneira geral, e não apenas uma única tarefa. Em vez de serem programados para cada etapa de uma tarefa ou de exigirem um treinamento exaustivo de um novo modelo, um modelo de IA física poderia simplesmente receber uma instrução sobre o que fazer, inclusive em linguagem natural, e então executar a tarefa por conta própria.

Assim como um ser humano faria, ele seria capaz de lidar com mudanças inesperadas no ambiente, adaptar-se a situações de emergência e seguir facilmente novas instruções, proporcionando um nível sem precedentes de flexibilidade à automação.

Para alcançar esse nível de funcionalidade, três áreas são fundamentais. As duas primeiras são a capacidade de perceber e a capacidade de agir. O robô ou a máquina precisa ter percepção de profundidade, sensoriamento de áudio e capacidade de se movimentar e navegar. Esse tipo de capacidade de percepção de profundidade normalmente resulta do uso de câmeras na máquina. Além disso, o objeto, como um braço robótico, precisa ser capaz de tocar, sentir etc. para executar uma tarefa. Tanto a capacidade de sensoriamento das câmeras quanto a capacidade de executar ações vêm melhorando rapidamente nos últimos anos.

A terceira área fundamental para a IA física é um "cérebro" responsável por supervisionar e operar tudo isso. Essa é a diferença entre a automação tradicional e a robótica. Com a IA, os objetos físicos podem determinar o curso de ação que irão seguir com base em sua capacidade de raciocínio, que permite realizar inferências em tempo real.

O Gêmeo Digital acelera o treinamento da IA física
Antes que a IA física possa ser aplicada no chão de fábrica, porém, ela precisa primeiro ser treinada.

Treinar um modelo de IA física exige um ambiente no qual o modelo possa aprender as regras do mundo real — desde a maneira como os sensores fornecem dados, como a forma com que as caixas caem quando são empilhadas incorretamente, até as próprias leis da física.

Esse tipo de treinamento é caro quando realizado com sistemas físicos. Ele exige equipamentos robóticos dedicados, retirando equipamentos de capital valiosos do chão de fábrica, além da criação de milhares ou até centenas de milhares de cenários que envolvam o robô executando ações sobre objetos físicos reais.



Legenda: O Gêmeo Digital pode ser utilizado para criar um ambiente digital capaz de simular centenas de cenários para treinar a IA física. (Crédito da imagem: Siemens).

Felizmente, um Gêmeo Digital permite um treinamento de modelos de IA muito mais rápido e abrangente. Um Gêmeo Digital é uma representação digital de um ativo ou processo físico e pode ser usado para projetar, simular e otimizar produtos, máquinas, processos de produção e fábricas inteiras no mundo digital antes que qualquer ação seja realizada no mundo real.

Utilizando dados do mundo real, o Gêmeo Digital pode reproduzir com precisão desde fábricas e máquinas até seres humanos e robôs. Isso proporciona um ambiente ideal para treinar um modelo de IA.

Por exemplo, é possível gerar milhares de cenários de coleta de diferentes tipos de elementos de fixação de um recipiente, variando a distribuição da posição das peças, o nível de desorganização, a refletividade, a iluminação e o ruído das câmeras. Em seguida, pode-se treinar e validar a política de percepção e preensão com base nessas distribuições.

Essa abordagem permite que o modelo de IA aprenda com segurança a física real sem a necessidade de produzir grandes quantidades de dados caros do mundo real, reduzindo o tempo, os custos e os recursos necessários para treinar e validar o modelo.

Dados sintéticos proporcionam um treinamento econômico e eficiente
Os dados sintéticos são um dos maiores benefícios da digitalização dos processos de aprendizagem. Eles consistem em qualquer tipo de dado gerado por computador, em vez de dados reais. Os dados sintéticos de imagem são particularmente valiosos na manufatura, onde a maioria das tarefas depende de recursos precisos de sensoriamento visual.

Usando dados sintéticos, milhares ou até milhões de conjuntos exclusivos de dados de treinamento podem ser gerados com base em possibilidades do mundo real para treinar um modelo de IA física de maneira rápida e automática.

As propriedades do ambiente podem ser aleatorizadas: desde o número de objetos e suas localizações até as propriedades dos materiais, as características das câmeras, o ambiente ao redor e muito mais. A resolução dos pixels da câmera, o ruído, os efeitos da iluminação ambiente etc. também podem ser adicionados à geração das imagens sintéticas para reproduzir o comportamento real.



Legenda: A localização, a aparência dos objetos e as condições de iluminação podem ser aleatorizadas para que o modelo de IA física aprenda a ignorar essas propriedades e se concentre na geometria. (Crédito da imagem: Fangyi Zhang et al. – Adversarial Discriminative Sim-to-real Transfer of Visuo-motor Policies).

Ao treinar um modelo de aprendizado de máquina com um conjunto de dados tão aleatorizado, o modelo aprenderá a ignorar as propriedades que foram aleatorizadas e a se concentrar naquelas que não foram (como a geometria da peça).

Como resultado, o modelo treinado pode generalizar para diferentes ambientes e domínios, incluindo o ambiente real esperado.

As "imagens" sintéticas são apenas um tipo de dado sintético que pode ser produzido utilizando o Gêmeo Digital. Como uma réplica fiel do mundo real, o Gêmeo Digital pode fornecer um ambiente virtual seguro para que o modelo de IA física aprenda sobre o mundo real, incluindo informações provenientes de diferentes tipos de sensores e a interação com esse ambiente por meio de manipuladores e sistemas de locomoção nos quais o robô irá operar.

Oportunidades para a IA física na automação
À medida que aumenta a demanda por sistemas de automação com capacidades flexíveis de tomada de decisão semelhantes às humanas, também crescem os desafios para treinar os modelos de IA física necessários para torná-los realidade.

Porém, com a contínua digitalização da indústria de manufatura e a crescente adoção do Gêmeo Digital, existe um caminho para enfrentar esses desafios.



Legenda: A IA física já está sendo aplicada atualmente em áreas da automação, como no monitoramento de vibrações e do desgaste de ferramentas em operações com máquinas-ferramenta. (Crédito da imagem: StuKesa/stock.adobe.com).

Na verdade, a IA física já está sendo aplicada em diversas áreas da automação, monitorando condições de usinagem, como vibração e desgaste de ferramentas em operações com máquinas-ferramenta; interpretando dados de sensores em processos de produção complexos na automação de processos; e detectando, em tempo real, defeitos superficiais, desvios dimensionais e erros de montagem durante inspeções de qualidade.

O número de aplicações continuará aumentando à medida que o movimento em direção a uma automação mais inteligente ultrapasse a construção de um único robô destinado a executar uma tarefa predeterminada.

Acompanhar essa demanda exige sistemas capazes de pensar e se adaptar em tempo real, proporcionando flexibilidade à produção e permitindo maior personalização e otimização.

Os sistemas do futuro precisarão adaptar seus processos de produção de um dia para o outro sem exigir um novo modelo de treinamento para cada uma das possíveis variações da linha de produção.

À medida que a IA física continuar avançando, ela será cada vez mais capaz de lidar com tarefas anteriormente restritas aos seres humanos, especialmente aquelas que exigem rápida adaptação em operações que os sistemas tradicionais de automação e IA simplesmente não conseguiriam executar.

Embora o treinamento de modelos de IA física possa parecer uma tarefa assustadora, ao utilizar o Gêmeo Digital de maneira inteligente, o processo pode ser significativamente simplificado, permitindo que as empresas aproveitem os benefícios de uma automação flexível e adaptativa que transformará fundamentalmente suas capacidades de manufatura.

www.siemens.com