"我们计划以全球最快的速度把机器人投入现场,并高效运营机器人,支持企业提升生产效率。"
LG CNS首席技术官(CTO)朴相烨(见图)近日在首尔麻谷总部接受Seoul Economic Daily采访时,如此谈及公司的机器人业务。LG CNS正专注于机器人控制、管理、运营一体化平台以及智能工厂、物流、城市解决方案的开发,并积极与机器人硬件公司、开发充当机器人"大脑"的机器人基础模型(RFM)的公司展开合作。朴CTO表示:"目前机器人的技术水平大致处于能够在传送带上抬起规格化箱子、并把贴有条码标签的箱子位置调整到与扫描仪对齐的程度","再过两年左右,机器人将能完成相当大一部分工序。"
支撑朴CTO这一判断的原因,是人工智能(AI)和代理型AI技术的发展,使机器人能够应对各种情况开展作业。其核心在于数据学习。朴CTO将"模仿学习"列为让机器人获取并学习作业相关数据的基本方法。即人操作遥控器等设备,机器人随之运动,从而持续获取动作数据。以AI大幅扩增这样学习到的数据也是可行的。数据越多,机器人据此运动就越准确、越精细。
世界基础模型也是让机器人学习数据的主要方法之一。世界基础模型指的是先把实际作业现场构建为虚拟环境,再把机器人投入其中进行学习。机器人通过在虚拟空间反复学习,具备预测将会发生什么的能力。结果是即便出现突发状况,机器人也能够应对。不过,尽可能缩小仿真与现实之间的差距是一大课题。除此之外,还有从人的作业视频中提取数据,或在作业者身体上安装传感器获取数据后再训练机器人的方法。完成基础学习的机器人还要经过针对制造现场进行调整的作业(微调)。
看起来机器人经过这些流程后就能立刻投入现场工作,但现实并不像说的那样容易。这类似于有了优秀的教科书也不能保证成绩一定好。因为机器人也会出现"灾难性遗忘"。朴CTO解释称:"学了10项的机器人再多学2项,新学的内容可能与原先学过的内容冲突,从而忘掉已经学会的东西","学习过程中哪怕只出一次错,准确率就会急剧下降。"这正是训练机器人时,除了获取大量数据,准确筛选出有助于机器人训练的数据的数据策管同样重要的原因。
即便用合适的数据完成学习并配备了适合作业的硬件,机器人也难以立刻在制造工序中实现商用化。若投入多台机器人运转工序,必须进行设计使机器人彼此不发生碰撞地移动。还需要考虑各机器人的电池充电时间以实现最高效运行,以及预测机器人故障的系统。由于新建工厂设计时必须全面考虑这些因素,相关咨询服务的需求也随着机器人商用化呈增长趋势。朴CTO自信地表示:"LG CNS在此类智能物流管控系统方面经验丰富","我们最擅长做机器人管控系统。"
事实上,LG CNS已为一家电力基础设施相关企业成功搭建了自动化机器人管控系统。通过投入第三代机器人并引入物流、生产、设备管控系统,提升了生产效率。朴CTO强调:"如何设计决定了能否确保投资回报率(ROI)","在处理高压电、触电风险大的作业,或像化学工序那样需要人戴口罩、穿防护服作业的不便岗位引入机器人,能够显著减少这种不便。"他预测称:"最终人与机器人只能协同作业","随着时间推移,机器人承担的比例会越来越高。"






