Hvordan brukes kunstig intelligens innen robotikk?

AI-robotikk, som noen ganger kalles fysisk AI eller kroppslig AI, er bruken av kunstig intelligens for å hjelpe maskiner med å fungere i den fysiske verden. I stedet for bare å generere tekst eller bilder, må systemet koble sammen persepsjon, resonnement og handling.

En robot kan bruke kameraer, dybdesensorer, kraftsensorer, mikrofoner eller posisjonssensorer for å forstå hva som befinner seg rundt den. AI-modeller kan bidra til å tolke disse signalene, identifisere objekter, følge instruksjoner, planlegge en rute, velge et grep eller avgjøre når en handling er farlig.

Dette betyr ikke at alle roboter er allsidige humanoider. De fleste nyttige robotene i dag er fremdeles spesialiserte: fabrikkarmene, lagerroboter, inspeksjonssystemer, kirurgiske verktøy, droner, autonome kjøretøy, leveringsroboter eller servicemaskiner. Kunstig intelligens utvider hva de kan oppfatte og tilpasse seg til, men maskinvaren og omgivelsene spiller fortsatt en viktig rolle.

For en robot innebærer persepsjon å omdanne rå sensordata til en nyttig forståelse av omgivelsene. Et kamerabilde er i seg selv bare piksler. En lidar-skanning er bare avstander. En kraftsensor er bare tall. AI bidrar til å omdanne disse signalene til objekter, overflater, hindringer, mennesker, verktøy og oppgavens status.

Datasyntese-modeller kan oppdage deler på et samlebånd, inspisere feil, beregne dybde, spore et objekt i bevegelse eller identifisere hvor en robotgriper bør bevege seg hen. Multimodale modeller kan kombinere bilder med språkinstruksjoner, mens spesialiserte persepsjonsmodeller kan kjøres lokalt på robotens maskinvare for å ta beslutninger med lav forsinkelse.

Det er også i persepsjonen at usikkerheten oppstår. Endringer i belysningen, refleksjoner, skygger, støv, rot og uvanlige gjenstander kan forvirre en modell. En pålitelig robot trenger sikkerhetskontroller, reserveatferd og sikkerhetslag, i stedet for å anta at hvert eneste persepsjonsresultat er korrekt.

Et av de mest aktive områdene innen AI-robotikk er å knytte naturlig språk til handlinger. En person kan for eksempel si: «Ta opp den blå esken» eller «Flytt disse delene til inspeksjonsbrettet.» Roboten må oversette denne instruksjonen til objekter, koordinater, bevegelsesplaner og styrekommandoer.

Visjon-språk-handling-modeller er utviklet for nettopp denne typen kobling. De kan ta imot visuell informasjon og en språklig instruksjon, og deretter utføre en handling eller en sekvens av handlinger. I praksis fungerer disse modellene vanligvis sammen med kontrollere på lavere nivå, sikkerhetsbegrensninger og robotspesifikk programvare, snarere enn å erstatte hele robotikkstakken.

Det er derfor AI-robotikk skiller seg fra en chatbot. En feil setning kan rettes opp, men en feil bevegelse kan skade utstyret eller sette mennesker i fare. AI-modellen er bare ett ledd i et større system som må kontrollere handlingene både før og under utførelsen.

Roboter kan lære av mange ulike typer data: menneskelige demonstrasjoner, fjernstyring, sensorlogger, videoer, syntetiske scener, simuleringsmiljøer og forsøk i virkeligheten. Målet er å utsette modellen for tilstrekkelig variasjon til at den kan håndtere oppgaver utenfor rammen av ett perfekt forhåndsbestemt oppsett.

Simulering er spesielt viktig fordi det er tidkrevende, kostbart og til tider risikabelt å samle inn fysiske robotdata. Et simulert lager, en laboratoriebord eller en fabrikkenhet kan generere mange eksempler, teste sjeldne grensefall og trene opp strategier før de tas i bruk på ekte maskinvare.

Det vanskelige er overføringen. En atferd som fungerer i simulering, kan slå feil når en gripper i virkeligheten glir, et objekt er tyngre enn forventet eller belysningen endres. Det er derfor robotikkteam kombinerer simulering med reelle data, evaluering, finjustering og forsiktig implementering.

AI-drevne roboter er allerede nyttige i miljøer der oppgavene er repetitive, strukturerte eller sikkerhetskritiske. Produksjonsroboter kan inspisere deler, bistå ved montering eller håndtere materialer. Lagerroboter kan navigere i gangene, flytte varer og støtte arbeidsflyten i ordrebehandlingen.

Roboter brukes også innen landbruk, gruvedrift, logistikk, medisin, laboratorieautomatisering, infrastrukturinspeksjon og offentlig sikkerhet. I mange tilfeller er det mest verdifulle systemet ikke en humanoid, men en spesialisert robot som utfører én oppgave pålitelig i et avgrenset miljø.

Humanoide roboter vekker oppsikt fordi de kan operere i omgivelser som er utformet for mennesker. Det er imidlertid fortsatt vanskelig å ta dem i bruk i stor skala. Balanse, fingerferdighet, batterilevetid, kostnader, pålitelighet og sikkerhet utgjør fortsatt store begrensninger, selv om modellkvaliteten og maskinvaren blir stadig bedre.

Digitale AI-systemer kan kjøre utelukkende innenfor datasentre og programvareprodukter. Robotteknikken må forholde seg til den fysiske verden: friksjon, vekt, kraft, skiftende lysforhold, ujevne gulv, skjøre gjenstander, mennesker i bevegelse og maskinvare som slites.

Latens er også viktig. En robot må kanskje reagere i løpet av millisekunder, ikke sekunder. Noen beregninger kan utføres i skyen, men mange beslutninger må tas på selve enheten eller i nærheten av roboten, slik at systemet forblir responsivt selv når tilkoblingen er begrenset.

Sikkerhet er en annen viktig forskjell. Et robotikksystem trenger sensorer, nødstopp, godkjente kontrollenheter, tillatelser, fysiske begrensninger og menneskelig tilsyn. Mer avanserte AI-modeller kan gjøre roboter mer fleksible, men de fjerner ikke behovet for teknisk disiplin.

Retningen er klar: Robotikkutviklingen går i retning av modeller som kan generalisere på tvers av flere oppgaver, lære av færre demonstrasjoner og tilpasse seg ulike robotkropper. Åpne datasett innen robotikk, simuleringsverktøy og grunnleggende robotmodeller gjør det enklere å eksperimentere.

Den mest sannsynlige utviklingen på kort sikt er ikke én universell husholdningsrobot. Det er snarere bedre autonomi i lager, fabrikker, laboratorier, sykehus, gårder, inspeksjonsprosesser og kjøretøy, samt mer avanserte forskningsplattformer for humanoider og mobile manipulatorer.

AI-robotikk vil også øke etterspørselen etter infrastruktur. Trening av robotmodeller kan kreve simulering, GPU-er, lagringskapasitet og evalueringsprosesser. Implementering av roboter kan kreve edge-inferensbrikker, nettverk, overvåking og pålitelige programvareoppdateringer. Fysisk AI er derfor en del av den samme infrastrukturhistorien som modeller, inferens, GPU-er og datasentre.