Provence'in kalbinde, küçük bir Fransız şişeleme şirketi otomasyonun sadece büyük üreticiler için olmadığını kanıtlıyor. Valréas merkezli Bulles Création, şişeleme hattının sonunda bir Robotiq PE20 Paletleme Çalışma Hücresi kurarak üretim hızını iki katına çıkardı ve operatörlerinin fiziksel yükünü azalttı.
Jennifer Kwiatkowski'nin Tech Brief'teki tam teknik makalesini okuyun. Temas zengin manipülasyon geliştiren ekipler için dokunsal algılama, faydalı bir ek olmaktan savunulabilir bir gereklilik haline geliyor. Sadece görsel manipülasyon bir duvara çarptı; dokunsal olarak artırılmış politikalar, temas zengin görevlerde görsel olarak yalnızca temel performansını geride bırakıyor ve daha iyi algılama, maliyet açısından kaba kuvvet veri ölçeğini geçiyor. Temas verilerinin eğitim sürecinde yer alması gerektiği nedenleri artık iyi bir şekilde belirlenmiş durumda.
.png)
Manuel paletleme, gıda üretiminde en yaygın ve en göz ardı edilen verimsizliklerden biridir. Her paketleme hattının sonunda, vardiya vardiya gerçekleşir ve her zaman elle yapıldığı için, genellikle çözülmesi gereken bir sorun olarak görülmez. Ancak maliyetler gerçektir. Tekrarlayan kaldırma işlemleri yapan operatörler, tüm vardiya boyunca kronik sırt ağrıları geliştirir. Üretim hızı, bir kişinin fiziksel olarak ne kadar hızlı hareket edebileceği ile sınırlıdır. Üretim hacimleri arttıkça, otomasyon olmadan mevcut tek çözüm, fiziksel olarak zor bir işi yapmaya istekli daha fazla insan bulmaktır; bu da giderek zorlaşan bir işgücü piyasasında mümkün değildir. Bu durum, Kuzey İtalya'nın Trentino Alto Adige bölgesinde bulunan bir un üreticisi olan Molino Merano'da tam olarak yaşanıyordu. 80'e kadar çalışanı ve hem endüstriyel hem de perakende pazarları için geniş bir premium un ve tahıl ürünleri yelpazesi ile Molino Merano, kalite konusunda güçlü bir üne sahipti. Ancak, ana paketleme hatlarından birinin hacmi arttıkça, o hattın sonunda manuel paletleme süreci sürdürülemez hale geliyordu. Mevcut ekipte özel bir paletleme operatörü için yer yoktu. İşe alım zordu. Ve bu işi yapan insanların fiziksel yorgunluğu belirgindi. Bir şeylerin değişmesi gerekiyordu.
Tek bir cobot iş hücresinin gerçek bir sorunu nasıl çözdüğünü, bir yıl içinde tam ROI elde ettiğini ve sessizce 27 istasyonlu bir otomasyon programına nasıl dönüştüğünü hayal edin. İşte tam olarak Schweitzer Engineering Laboratories (SEL) şirketinde Robotiq Cobot Bileşenleri ve Vida Sıkma İş Hücresi'ni montaj hattında kullanmaya başladıktan sonra olanlar. SEL, 170'ten fazla ülkede kritik altyapıyı koruyan, otomatikleştiren ve kontrol eden dijital ürünler ve sistemler tasarlayan, geliştiren ve üreten bir şirkettir. Elektrik enerjisini daha güvenli, daha güvenilir ve daha ekonomik hale getirme misyonuyla, SEL'de kalite ve tekrarlanabilirlik tartışmaya kapalıdır. Tekrarlayan bir ergonomik sorun operatörleri işten uzaklaştırmaya başladığında, bunu çözmek için Robotiq'a başvurdular ve bir iş hücresi olarak başlayan şey çok daha büyük bir şeye dönüştü.
Bir paletleme projesinin doğru bir şekilde tamamlanması her zaman doğru bilgilere doğru zamanda sahip olmaya bağlıdır. Ürün spesifikasyonları, zemin kısıtlamaları, finansal hedefler: bunlardan herhangi biri eksik veya yanlış olduğunda, proje bunun bedelini daha sonra öder. Robotiq'in bu durumu değiştirmek için geliştirdiği IQ, bir paletleme projesinin arkasındaki bilgileri toplar, yapılandırır ve gerçek operasyonunuza dayalı olarak doğrulanmış bir Çalışma Hücresi tasarımı oluşturur. Sonuç, ilk günden itibaren öngörülebilir performansa sahip ve herhangi bir taahhütte bulunmadan önce arkasında durabileceğiniz bir finansal durumu olan, dağıtıma hazır bir Paletleme Çalışma Hücresi'dir.
Ayrıca, Robotiq'un en son Isaac GR00T güncellemeleriyle birlikte yer aldığı NVIDIA'nın COMPUTEX kapsamını okuyun.
Palletizasyonu otomatikleştirmek isteyen çoğu üretici aynı sorunla karşılaşıyor. İşletmelerine uygun olup olmadığını, maliyetini ve ne kadar zaman alacağını öğrenmek her zaman haftalarca gidip gelmeyi, mühendislik saatlerini ve bir yerinde ziyaret gerektiriyordu; bu süreçten önce kimse bir taahhütte bulunmuyordu. Robotiq, bu sorunu çözmek için IQ'yu geliştirdi.
Palletizasyon otomasyonu, son hat operasyonlarındaki en belirgin kazanımlardan biridir. Yatırım getirisi gerçektir, iş gücü tasarrufları hemen hissedilir ve teknoloji olgunlaşmıştır. Ancak birçok üretici, haftalar alması gereken projelerde aylar harcayarak ya da demoda çalışan ancak üretim sahasında zorlanan sistemler kurarak duraklama yaşıyor. İyi haber: Bu başarısızlıkların çoğu öngörülebilir kalıpları takip ediyor. İşte sıkça karşılaştığımız beş tuzak ve bunlardan nasıl kaçınılacağı; Molino Merano'nun, sıkışık bir alanı, bir personel sorununu ve büyüyen bir ürün yelpazesini 14 aylık bir geri dönüşe nasıl dönüştürdüğünü gösteren örneklerle.
Fiziksel AI topluluğunun ulaşmayı hedeflediği sağlamlık seviyesine, yani tanıdık olmayan nesneler üzerinde tanıdık olmayan ortamlarda sıfırdan uygulanabilir genel politikalar geliştirebilmek için, veri seti boyutlarının birkaç büyüklük sırasıyla artması gerekmektedir. Ölçek hakkında bir fikir vermek gerekirse, mantığı LLM ölçeğindeki veri hacimlerine, yani yaklaşık 10¹²'ye uzatmak, sürekli olarak üç yıl boyunca yaklaşık 80 milyon robotun çalışmasını gerektirecektir. Bu nedenle, alan yalnızca hesaplama veya model mimarisi ile değil, daha temelde yüksek kaliteli, gerçek dünya manipülasyon verilerinin üretim hızıyla da sınırlıdır. Bir CFO veya mühendislik lideri için bu durumun doğrudan bir anlamı vardır. İleriye giden yol, daha fazla robotun daha fazla saat çalıştırmasından ziyade, her bölümde daha yüksek bilgi yoğunluğudur. Tek bir dokunsal olarak artırılmış yol, özellikle temas açısından zengin ve yerleştirme görevleri için, birkaç yalnızca görsel çalışmadan daha fazla eğitim sinyali taşımaktadır.
Görsel-dil-eylem modelleri, robotik manipülasyonda mevcut en ileri düzeydir. Yine de bir patates cipsini ezmeden almakta başarısızlar. Bu, Video Taktik Eylem Modeli (VTAM) ekibi tarafından bu yılın başlarında yayımlanan bir sonuç. Patates cipsi alma ve yerleştirme görevinde — yüksek hassasiyetli kuvvet farkındalığı gerektiren, görmenin yalnızca ezici bir kavrayışı tutmaktan ayırt edemediği bir görev — VTAM, π0.5 temelini %80 oranında geride bıraktı. Daha geniş temas zenginliği benchmark setinde, VTAM %90 ortalama başarı oranı elde etti.¹ Cips, düşmanca bir örnektir ve bu nedenle doğru bir testtir. Kavrama anında, yalnızca temas dinamikleri faydalı sinyaller taşır. Basınç, titreşim ve kuvvet/torque, politikaya ne olduğunu bildirir, görsel tahmin hatalarını düzeltir; görsel modellerin kendi başlarına tespit edemediği hatalar. Ancak, ne kadar yüksek çözünürlüklü olursa olsun bir kamera bu işi yapamaz.
En iyi paletleme çözümü, üretim hacminize, bütçenize, mevcut alana ve esneklik ihtiyacınıza bağlıdır. Tam mühendislik ürünü bir sistem, bir kobot veya tak-çalıştır bir kurulum seçebilirsiniz. Her birinin avantajları ve dezavantajları vardır. Anahtar, gerçekten zeminine, işleme kapasitenize ve beklediğiniz geri dönüşe uygun olanı seçmektir. Bu hızlı kılavuz, en yaygın paletleme çözümlerini karşılaştırarak bilinçli bir karar vermenizi ve üretim alanınız için doğru teknolojiyi seçmenizi sağlar. Yüksek hacimli üretim → merkezi paletleyiciler Dayanıklı hat otomasyonu → robotik paletleyiciler Esnek operasyonlar → kobot paletleyiciler Hızlı kurulum → kutu içindeki paletleyiciler Ölçeklenebilir büyüme → Robotiq Lean Paletleme Çok düşük hacim → manuel paletleme
2016 yılında, o dönemde robot teknolojisinin gittiği yöne aykırı bir şey söyledim: yalnızca görme, kavrama için yeterli değildir. "Geliştirilmesi gerekiyor" ya da "teknoloji henüz yeterli değil" demiyorum. Bu, soruna uymuyor. Kavrama fiziksel bir eylemdir. Temas, kuvvet, sürtünme. Görme yaklaşımı yönlendirebilir. Ancak sonrasını hissedemez. O zamanlar bunu laboratuvarımızda gördük. Dokunsal titreşim verileri, kavrama başarısızlığını %83 doğrulukla tahmin etti ve kaymayı %92 oranında tespit etti. Erken sonuçlardı ama yeterince açıktı. Önemli sinyaller görüntülerde görünmüyor. On yıl sonra, alanın geri kalanı da aynı sınıra çarpıyor.
Medra Lab 001, Amerika Birleşik Devletleri'ndeki en büyük otonom yapay zeka destekli laboratuvardır ve sürekli olarak robotik, yapay zeka ve uyumlu kavrayıcılarla çalışmaktadır. Medra Lab 001 asla uyumaz. Literatürü okur, deneyler tasarlar, bunları yürütür, sonuçları analiz eder ve bir sonraki denemeyi ne yapacağına karar verir — sürekli olarak, bir insan olmadan. 38.000 metrekarelik bir alanda 90 günden kısa bir sürede inşa edilen laboratuvar, şimdiden Genentech gibi ortaklarla üretim aşamasında çalışmaktadır. Bu, Fiziksel Yapay Zeka'nın en net hali: yazılım zekasının fiziksel eylemle döngüyü kapatması, ölçeklenebilir bir şekilde, 24/7.
İlaç üreticileri, sıkı kontrol altında tutulan ortamlarda üretimi artırma, katı uyum sağlamaya devam etme ve iş gücünü koruma baskısı altındadır. Ancak birçok tesis, hattın sonunda manuel paletleme yöntemine hala bağımlıdır; burada değişkenlik ve riskin kontrolü en zor olandır. Sonuç olarak, daha fazla ilaç üreticisi, operasyonlarının standart bir parçası olarak robotik paletlemeyi benimsemektedir. İş gücü eksikliklerine tepki vermek yerine, bu şirketler tutarlılığı, güvenliği ve ölçeklenebilirliği artırmak için otomasyona yönelik stratejik bir kayma yapmaktadır. Peki, ilaç üreticileri neden robotik paletlemeyi tercih ediyor? İşte benimsemeyi yönlendiren beş ana neden.
Fiziksel AI hızla ilerliyor. AI modelleri artık nesneleri tanıyabiliyor, eylemleri planlayabiliyor ve yeni görevlere uyum sağlayabiliyor. Ancak bu ilerlemelere rağmen, çoğu sistem hala gerçek dünya ortamlarında ölçeklenme konusunda zorluk yaşıyor. İki temel zorluk, bunun nedenini açıklıyor: Sınırlı gerçek dünya becerikliliği Yüksek maliyet ve karmaşıklıkta dağıtım Bu sorunlar çözülmeden, Fiziksel AI'nın kontrol edilen uygulamaların ötesinde ölçeklenmesi zor olmaya devam edecek.
Yapay zeka etkileyici bir ilerleme kaydetti. Modeller, görüntüleri sınıflandırabilir, metin üretebilir ve hatta karmaşık eylem dizilerini planlayabilir. Ancak yapay zekayı dijital dünyadan çıkarıp bir fabrikaya, depoya veya herhangi bir fiziksel ortama koyduğunuzda, bir şeyler bozuluyor. Yapay zeka karar verebilir. Ama güvenilir bir şekilde hareket edemez. Bu, Fiziksel Yapay Zeka'yı tanımlayan boşluktur ve çoğu gerçek dünya robotik projesinin başarılı ya da başarısız olduğu yerdir.
TIDI Products, enfeksiyon önleme ve hasta güvenliği ürünleri üreten küresel bir üretici, son hat operasyonlarını Lean Paletleme ile otomatikleştirerek dönüştürdü. Sonuç: ölçülebilir verimlilik artışları, daha güvenli çalışma koşulları ve iş gücünün daha verimli kullanımı. Bu vaka, robotik paletlemenin üretim performansını nasıl doğrudan iyileştirebileceğini, net ve tekrarlanabilir sonuçlarla göstermektedir.
İtalya ve DACH bölgesinde, gıda üreticileri aynı gerçeklikle karşı karşıya: 📈 Artan üretim talebi 👷 İş gücü eksiklikleri ve yükselen maliyetler ⚠️ Son hat süreçlerinin verimliliği sınırlaması Ve çoğu zaman, darboğaz düşündüğünüz yerde değil. 👉 Paletleme.
Martin Ray Şarap Evi, Kaliforniya merkezli tarihi bir şarap üreticisi, şişeleme operasyonlarını robotik paletleme çözümü uygulayarak modernleştirdi. Sonuçlar özetle: Manuel paletleme iş gücünde azalma Şişeleme hattı verimliliğinde artış Operasyonel güvenilirlikte artış 18-24 ay içinde beklenen yatırım getirisi Bu vaka, iş gücü eksikliklerini ve üretim darboğazlarını şarap endüstrisinde nasıl çözebileceğini gösteren işbirlikçi robotik paletleyicilerin önemini vurgulamaktadır.
Yapay zeka, robotikte büyük bir heyecan yarattı. Robotlar artık yürüyebiliyor, karmaşık ortamlarda gezinip, birkaç yıl önce imkansız görünen görevleri yerine getirebiliyor. Ancak robot gösterimleri ile gerçek endüstriyel uygulama arasında büyük bir boşluk var. Kontrol edilen bir araştırma ortamında çalışan bir robot, üretim hattında güvenilir bir şekilde çalışan bir robottan çok farklıdır. Bu, fiziksel yapay zeka ile operasyonel yapay zeka arasındaki farktır.
