Ganz gleich, ob Sie ein Achievement-Middle, ein Hersteller oder ein Händler sind: Geschwindigkeit ist Trumpf. Um Produkte jedoch schnell ausliefern zu können, müssen die Mitarbeiter jederzeit wissen, wo sich diese Produkte in ihren Lagern befinden. Das magazine offensichtlich klingen, aber verlorener oder verlegter Lagerbestand ist in Lagerhäusern auf der ganzen Welt ein großes Downside.

Corvus Robotics geht dieses Downside mit einer Bestandsverwaltungsplattform an, die mithilfe autonomer Drohnen die riesigen Palettenreihen scannt, die die meisten Lagerhäuser füllen. Die Drohnen des Unternehmens können rund um die Uhr arbeiten, unabhängig davon, ob die Beleuchtung im Lager an oder aus ist, und scannen gemeinsam mit menschlichen Arbeitern Barcodes, um ihnen einen beispiellosen Blick auf ihre Produkte zu ermöglichen.

„Normalerweise führen Lagerhäuser die Inventur zweimal im Jahr durch – wir stellen dies auf einmal professional Woche oder schneller um“, sagt Corvus-Mitbegründer und CTO Mohammed Kabir ’21. „Das bringt eine enorme betriebliche Effizienz mit sich.“

Corvus hilft Händlern, Logistikdienstleistern, Herstellern und Lebensmittelhändlern bereits dabei, ihren Lagerbestand zu verfolgen. Durch diese Arbeit hat das Unternehmen seinen Kunden dabei geholfen, enorme Effizienz- und Geschwindigkeitssteigerungen in ihren Lagern zu erzielen.

Der Schlüssel zum Erfolg von Corvus battle der Aufbau einer Drohnenplattform, die in schwierigen Umgebungen wie Lagerhäusern, in denen GPS nicht funktioniert und Wi-Fi möglicherweise schwach ist, autonom arbeiten kann, indem sie nur Kameras und neuronale Netze zur Navigation verwendet. Mit dieser Fähigkeit ist das Unternehmen davon überzeugt, dass seine Drohnen in der Lage sind, ein neues Maß an Präzision bei der Herstellung und Lagerung von Produkten in Lagern auf der ganzen Welt zu ermöglichen.

Eine neuartige Bestandsverwaltungslösung

Kabir beschäftigt sich seit seinem 14. Lebensjahr mit Drohnen.

„Ich interessierte mich für Drohnen, bevor es die Drohnenindustrie überhaupt gab“, sagt Kabir. „Ich würde mit Leuten arbeiten, die ich im Web gefunden habe. Damals waren es nur ein paar Bastler, die Dinge zusammenbastelten, um zu sehen, ob sie funktionieren würden.“

Im Jahr 2017, im selben Jahr, in dem Kabir ans MIT kam, erhielt er eine Nachricht von seiner späteren Corvus-Mitbegründerin Jackie Wu, die zu dieser Zeit Studentin an der Northwestern College battle. Wu hatte im Rahmen eines Open-Supply-Drohnenprojekts einige von Kabirs Arbeiten zur Drohnennavigation in Umgebungen ohne GPS gesehen. Die Studenten beschlossen zu prüfen, ob sie die Arbeit als Grundlage für ein Unternehmen nutzen könnten.

Kabir begann an freien Nächten und Wochenenden zu arbeiten, während er den Aufbau der Corvus-Technologie mit seinen Kursarbeiten in der Abteilung für Luft- und Raumfahrt des MIT unter einen Hut brachte. Die Gründer versuchten zunächst, handelsübliche Drohnen einzusetzen und diese mit Sensoren und Rechenleistung auszustatten. Schließlich wurde ihnen klar, dass sie ihre Drohnen von Grund auf neu entwickeln mussten, da handelsübliche Drohnen nicht die Artwork von Kontrolle und Zugriff auf niedriger Ebene boten, die sie zum Aufbau einer Autonomie über den gesamten Lebenszyklus benötigten.

Kabir baute den ersten Drohnen-Prototyp in seinem Wohnheimzimmer in Simmons Corridor und begann, jede neue Model auf dem Feld vor der Tür zu fliegen.

„Wir bauten diese Drohnen-Prototypen und brachten sie heraus, um zu sehen, ob sie überhaupt fliegen würden. Dann gingen wir wieder hinein und begannen, darauf unsere Autonomiesysteme aufzubauen“, erinnert sich Kabir.

Während seiner Arbeit am Corvus battle Kabir auch einer der Gründer des MIT Driverless-Programms, das Nordamerikas erste siegreiche fahrerlose Rennwagen baute.

„Es ist alles Teil derselben Autonomiegeschichte“, sagt Kabir. „Ich battle schon immer sehr daran interessiert, Roboter zu bauen, die ohne menschliche Berührung funktionieren.“

Von Anfang an glaubten die Gründer, dass die Bestandsverwaltung eine vielversprechende Anwendung für ihre Drohnentechnologie sei. Schließlich mieteten sie eine Anlage in Boston und simulierten ein Lagerhaus mit riesigen Regalen und Kisten, um ihre Technologie zu verfeinern.

Als Kabir 2021 seinen Abschluss machte, hatte Corvus mehrere Pilotprojekte mit Kunden abgeschlossen. Ein Kunde battle MSI, ein Baustoffunternehmen, das Bodenbeläge, Arbeitsplatten, Fliesen und mehr vertreibt. Bald nutzte MSI Corvus täglich in mehreren Einrichtungen seines landesweiten Netzwerks.

Die Corvus One-Drohne, die das Unternehmen als weltweit erste vollständig autonome Lagerbestandsverwaltungsdrohne bezeichnet, ist mit 14 Kameras und einem KI-System ausgestattet, das eine sichere Navigation zum Scannen von Barcodes und zur Aufzeichnung des Standorts jedes Produkts ermöglicht. In den meisten Fällen werden die gesammelten Daten an das Lagerverwaltungssystem des Kunden (normalerweise das Aufzeichnungssystem des Lagers) weitergegeben, und alle festgestellten Unstimmigkeiten werden automatisch mit einem Lösungsvorschlag kategorisiert. Darüber hinaus können Kunden über die Corvus-Schnittstelle Flugverbotszonen auswählen, Flugverhalten festlegen und automatisierte Flugpläne festlegen.

„Als wir anfingen, wussten wir nicht, ob eine lebenslange, visionsbasierte Autonomie in Lagern überhaupt möglich ist“, sagt Kabir. „Es stellt sich heraus, dass es wirklich schwierig ist, infrastrukturfreie Autonomie mit herkömmlichen Pc-Imaginative and prescient-Techniken zum Laufen zu bringen. Wir waren die ersten weltweit, die einen lernbasierten Autonomie-Stack für einen Indoor-Flugroboter auf den Markt gebracht haben, der auf maschinellem Lernen und auf neuronalen Netzwerken basierenden Ansätzen basiert. Wir haben KI genutzt, bevor sie cool battle.“

Zur Einrichtung installiert das Workforce von Corvus einfach eine oder mehrere Docks, die als Lade- und Datenübertragungsstation dienen, an den Enden der Produktregale und führt einen groben Kartierungsschritt mithilfe von Maßbändern durch. Die Feinheiten ergänzen die Drohnen dann selbstständig. Kabir sagt, dass es etwa eine Woche dauert, bis eine 1 Million Quadratmeter große Anlage vollständig betriebsbereit ist.

„Wir müssen keine Aufkleber, Reflektoren oder Leuchtfeuer anbringen“, sagt Kabir. „Unser Setup ist im Vergleich zu anderen Optionen in der Branche wirklich schnell. Wir nennen es infrastrukturfreie Autonomie und es ist für uns ein großes Unterscheidungsmerkmal.“

Vom Gabelstapler bis zur Drohne

Heutzutage wird ein Großteil der Bestandsverwaltung von einer Particular person erledigt, die einen Gabelstapler oder eine Scherenhebebühne verwendet, um Barcodes zu scannen und Notizen in einem Klemmbrett zu machen. Das Ergebnis sind unregelmäßige und ungenaue Bestandskontrollen, die manchmal dazu führen, dass Lager den Betrieb schließen müssen.

„Sie fahren mit diesen Aufzügen auf und ab, und dazu sind all diese manuellen Schritte erforderlich“, sagt Kabir. „Man muss die Daten manuell erfassen, dann gibt es einen Dateneingabeschritt, da keines dieser Systeme miteinander verbunden ist. Wir haben herausgefunden, dass viele Lager von fehlerhaften Daten gesteuert werden, und es gibt keine Möglichkeit, das zu beheben, es sei denn, man korrigiert die Daten, die man überhaupt sammelt.“

Corvus kann Bestandsverwaltungssysteme und -prozesse zusammenführen. Die Drohnen des Unternehmens sind außerdem jeden Tag sicher in der Nähe von Menschen und Gabelstaplern im Einsatz.

„Das battle ein zentrales Ziel für uns“, sagt Kabir. „Wenn wir ein Lager betreten, ist das ein Privileg, das uns der Kunde gegeben hat. Wir wollen ihren Betrieb nicht stören und bauen ein System auf, das auf dieser Idee basiert. Sie können es fliegen, wann immer Sie es brauchen, und das System richtet sich nach Ihrem Zeitplan.“

Kabir ist bereits davon überzeugt, dass Corvus die umfassendste verfügbare Bestandsverwaltungslösung bietet. In Zukunft wird das Unternehmen mehr Finish-to-Finish-Lösungen für die Bestandsverwaltung anbieten, sobald diese in den Lagern eintreffen.

„Drohnen lösen eigentlich nur einen Teil des Bestandsproblems“, sagt Kabir. „Drohnen fliegen herum, um den Palettenbestand in den Regalen zu verfolgen, aber viele Dinge gehen verloren, noch bevor sie die Regale erreichen. Produkte kommen an, werden von einem LKW abgeholt und dann auf dem Boden gestapelt, und bevor sie in die Regale gebracht werden, sind die Artikel verloren gegangen. Sie sind falsch beschriftet, falsch platziert und einfach weg. Unsere Imaginative and prescient ist es, dieses Downside zu lösen.“

Ganz oben auf vielen Wunschlisten zur Automatisierung steht eine besonders zeitaufwändige Aufgabe: die Hausarbeit.

Das Ziel vieler Robotiker besteht darin, die richtige Kombination aus Laborious- und Software program zu entwickeln, damit eine Maschine „generalistische“ Richtlinien (die Regeln und Strategien, die das Verhalten von Robotern steuern) erlernen kann, die überall und unter allen Bedingungen funktionieren. Realistisch betrachtet ist es Ihnen jedoch wahrscheinlich egal, ob ein Roboter in Ihrem Zuhause für Ihre Nachbarn arbeitet oder nicht. Forscher des Laptop Science and Synthetic Intelligence Laboratory (CSAIL) des MIT beschlossen daher, eine Lösung zu finden, mit der sich Roboter problemlos robuste Richtlinien für sehr spezifische Umgebungen aneignen lassen.

„Unser Ziel ist es, Roboter zu entwickeln, die unter Störungen, Ablenkungen, unterschiedlichen Lichtverhältnissen und Änderungen der Objektpositionen außergewöhnlich intestine funktionieren, und das alles in einer einzigen Umgebung“, sagt Marcel Torne Villasevil, Forschungsassistent am CSAIL des MIT im Unbelievable AI-Labor und Hauptautor einer kürzlich erschienenen Papier über die Arbeit. „Wir schlagen eine Methode vor, um digitale Zwillinge im Handumdrehen zu erstellen, indem wir die neuesten Fortschritte in der Computervision nutzen. Mit nur einem Telefon kann jeder eine digitale Nachbildung der realen Welt erfassen, und die Roboter können dank GPU-Parallelisierung in einer simulierten Umgebung viel schneller trainieren als in der realen Welt. Unser Ansatz macht umfangreiches Reward Engineering überflüssig, indem er einige Demonstrationen in der realen Welt nutzt, um den Trainingsprozess anzukurbeln.“

Nehmen Sie Ihren Roboter mit nach Hause

RialTo ist natürlich etwas komplizierter als nur eine einfache Bewegung mit dem Telefon und (bumm!) der House-Bot steht zu Ihrer Verfügung. Zunächst wird mit Ihrem Gerät die Zielumgebung mithilfe von Instruments wie NeRFStudio, ARCode oder Polycam gescannt. Sobald die Szene rekonstruiert ist, können Benutzer sie auf die RialTo-Schnittstelle hochladen, um detaillierte Anpassungen vorzunehmen, den Robotern die erforderlichen Gelenke hinzuzufügen und vieles mehr.

Die verfeinerte Szene wird exportiert und in den Simulator gebracht. Ziel ist es, eine Strategie auf Grundlage realer Aktionen und Beobachtungen zu entwickeln, wie etwa das Greifen einer Tasse auf einer Theke. Diese realen Demonstrationen werden in der Simulation nachgestellt und liefern wertvolle Daten für das bestärkende Lernen. „Dies hilft bei der Entwicklung einer starken Strategie, die sowohl in der Simulation als auch in der realen Welt intestine funktioniert. Ein verbesserter Algorithmus mit bestärkendem Lernen hilft bei der Steuerung dieses Prozesses, um sicherzustellen, dass die Strategie auch außerhalb des Simulators wirksam ist“, sagt Torne.

Exams zeigten, dass RialTo für eine Vielzahl von Aufgaben starke Richtlinien entwickelte, sei es in kontrollierten Laborumgebungen oder in unvorhersehbareren realen Umgebungen, und dabei eine um 67 Prozent bessere Leistung als Imitationslernen bei gleicher Anzahl von Demonstrationen erzielte. Die Aufgaben umfassten das Öffnen eines Toasters, das Platzieren eines Buches in einem Regal, das Abstellen eines Tellers auf einem Gestell, das Platzieren einer Tasse in einem Regal, das Öffnen einer Schublade und das Öffnen eines Schranks. Für jede Aufgabe testeten die Forscher die Leistung des Techniques in drei zunehmenden Schwierigkeitsstufen: zufällige Objektpositionen, Hinzufügen visueller Ablenkungen und Anwenden physischer Störungen während der Aufgabenausführung. In Verbindung mit realen Daten übertraf das System traditionelle Imitationslernmethoden, insbesondere in Situationen mit vielen visuellen Ablenkungen oder physischen Störungen.

„Diese Experimente zeigen, dass, wenn wir Wert darauf legen, gegenüber einer bestimmten Umgebung sehr sturdy zu sein, die beste Idee darin besteht, digitale Zwillinge zu nutzen, statt zu versuchen, Robustheit durch die groß angelegte Datenerfassung in unterschiedlichen Umgebungen zu erreichen“, sagt Pulkit Agrawal, Leiter des Unbelievable AI Lab, außerordentlicher Professor für Elektrotechnik und Informatik (EECS) am MIT, leitender Forscher am MIT CSAIL und leitender Autor der Arbeit.

Was die Einschränkungen betrifft, so dauert es derzeit drei Tage, bis RialTo vollständig trainiert ist. Um dies zu beschleunigen, erwähnt das Workforce die Verbesserung der zugrunde liegenden Algorithmen und die Verwendung von Basismodellen. Das Coaching in der Simulation hat auch seine Einschränkungen, und derzeit ist es schwierig, mühelos eine Übertragung von der Simulation in die reale Welt durchzuführen und verformbare Objekte oder Flüssigkeiten zu simulieren.

Das nächste Stage

Wie geht es additionally weiter mit RialTo? Aufbauend auf früheren Bemühungen arbeiten die Wissenschaftler daran, die Robustheit gegenüber verschiedenen Störungen zu erhalten und gleichzeitig die Anpassungsfähigkeit des Modells an neue Umgebungen zu verbessern. „Unser nächstes Unterfangen ist dieser Ansatz, vorab trainierte Modelle zu verwenden, den Lernprozess zu beschleunigen, den menschlichen Enter zu minimieren und breitere Generalisierungsmöglichkeiten zu erreichen“, sagt Torne.

„Wir sind unglaublich begeistert von unserem Konzept der ‚on-the-fly‘-Roboterprogrammierung, bei dem Roboter ihre Umgebung autonom scannen und lernen können, wie sie in der Simulation bestimmte Aufgaben lösen. Obwohl unsere aktuelle Methode Einschränkungen hat – wie etwa, dass einige anfängliche Demonstrationen durch einen Menschen erforderlich sind und eine erhebliche Rechenzeit zum Trainieren dieser Richtlinien (bis zu drei Tage) erforderlich ist – sehen wir sie als einen bedeutenden Schritt in Richtung ‚on-the-fly‘-Roboterlernen und -einsatz“, sagt Torne. „Dieser Ansatz bringt uns einer Zukunft näher, in der Roboter keine vordefinierte Richtlinie benötigen, die jedes Szenario abdeckt. Stattdessen können sie schnell neue Aufgaben lernen, ohne umfassend mit der realen Welt zu interagieren. Meiner Ansicht nach könnte dieser Fortschritt die praktische Anwendung der Robotik viel schneller vorantreiben, als wenn man sich ausschließlich auf eine universelle, allumfassende Richtlinie verlässt.“

„Um Roboter in der realen Welt einzusetzen, haben sich Forscher traditionell auf Methoden wie Imitationslernen aus Expertendaten verlassen, was teuer sein kann, oder Verstärkungslernen, was unsicher sein kann“, sagt Zoey Chen, eine Doktorandin der Informatik an der College of Washington, die nicht an der Arbeit beteiligt conflict. „RialTo befasst sich mit seiner neuartigen Actual-to-Sim-to-Actual-Pipeline direkt sowohl mit den Sicherheitsbeschränkungen des realen RL (Roboterlernens) als auch mit effizienten Datenbeschränkungen für datengesteuerte Lernmethoden. Diese neuartige Pipeline gewährleistet nicht nur ein sicheres und robustes Coaching in der Simulation vor dem Einsatz in der realen Welt, sondern verbessert auch die Effizienz der Datenerfassung erheblich. RialTo hat das Potenzial, das Roboterlernen erheblich zu skalieren und ermöglicht es Robotern, sich viel effektiver an komplexe reale Szenarien anzupassen.“

„Die Simulation hat beeindruckende Fähigkeiten bei echten Robotern gezeigt, indem sie kostengünstige, möglicherweise unendliche Daten für das Erlernen von Strategien liefert“, ergänzt Marius Memmel, ein Doktorand der Informatik an der College of Washington, der nicht an der Arbeit beteiligt conflict. „Diese Methoden sind jedoch auf einige wenige spezifische Szenarien beschränkt, und die Erstellung der entsprechenden Simulationen ist teuer und mühsam. RialTo bietet ein benutzerfreundliches Software, mit dem sich reale Umgebungen in Minuten statt in Stunden rekonstruieren lassen. Darüber hinaus nutzt es während des Erlernens von Strategien in großem Umfang gesammelte Demonstrationen, wodurch die Belastung des Bedieners minimiert und die Sim2Real-Lücke verringert wird. RialTo zeigt Robustheit gegenüber Objektpositionen und Störungen und zeigt eine unglaubliche Leistung in der realen Welt, ohne dass eine umfangreiche Simulatorkonstruktion und Datenerfassung erforderlich ist.“

Torne hat dieses Papier zusammen mit den leitenden Autoren Abhishek Gupta, Assistenzprofessor an der College of Washington, und Agrawal verfasst. Vier weitere CSAIL-Mitglieder sind ebenfalls genannt: EECS-Doktorand Anthony Simeonov SM ’22, Forschungsassistent Zechu Li, Studentin April Chan und Tao Chen PhD ’24. Mitglieder des Unbelievable AI Lab und des WEIRD Lab haben ebenfalls wertvolles Suggestions und Unterstützung bei der Entwicklung dieses Projekts geliefert.

Diese Arbeit wurde teilweise vom Sony Analysis Award, der US-Regierung und Hyundai Motor Co. unterstützt, mit Unterstützung des WEIRD (Washington Embodied Intelligence and Robotics Growth) Lab. Die Forscher präsentierten ihre Arbeit Anfang dieses Monats auf der Konferenz Robotics Science and Techniques (RSS).