Az ipar évtizedek óta használja az automatikusan vezetett járműveket (AGV), de az utóbbi években egyre nagyobb figyelem irányul az autonóm mobil robotokra (AMR), amelyek új szintre emelték a rugalmasságot és az önállóságot. Hol a klasszifikációs határ az AMR és AGV-k között, és mely területeken jelentik a legnagyobb előnyt az autonóm döntésre képes járművek? Erről beszélgettünk Komlósi Istvánnal, a KUKA Magyarország  vezető fejlesztőjével.

GyártásTrend: Az iparban régóta használják az AGV-ket (Automated Guided Vehicle). Ha az Autonóm Mobil Robotok evolúcióját nézzük, az AMR-ek az AGV-k „utódai”, vagy inkább egy teljesen új technológiai kategóriát jelentenek?

Komlósi István: Leginkább technológiai evolúcióként érdemes erre tekinteni, ami az 1960-as évektől napjainkig folyamatos íven halad. Maga az AGV és AMR klasszifikációk között nincs éles átmenet, a két kategória közti különbséget az „Automated” és az „Autonomous” szavakban kereshetjük. Robotikai értelemben az autonómia több komponensű fogalom (kontextus és szituáció felismerés, döntési képességek, navigáció, mozgástervezés, stb.) és ezen komponenseken belül is rendkívül széles a skála. Az autonóm navigációs képesség (környezetbe épített segédtárgyak nélkül), ugyan önmagában egy alacsonyabb szintű autonómiát jelent, ugyanakkor már gyakran az AMR kategóriába soroljuk az olyan robotokat, melyek autonóm navigációra képesek.   

Ami biztosan elmondható, hogy egyre több olyan funkcionalitás kerül ipari mobilis robot megoldásokba (AGV és AMR kategóriákban egyaránt), amik magasabb intelligenciát kívánnak meg maguktól az ágensektől, illetve a flottamenedzsment rendszerektől is. Ami markáns különbségként említhető a két kategória között, azok az olyan AI funkciók jelenléte, melyek a magasabb szintű percepcióhoz, szituáció- és kontextusfelismeréshez, viselkedés tanuláshoz, és autonóm döntésekhez köthetőek.

Összefoglalva azt mondanám, hogy az AMR kategóriába olyan megoldások tartoznak, melyek magasabb fokú autonómiát tesznek lehetővé (jórészt az ágens szintjén értve), így, ha nem is az AGV kategória egzakt utódjának, de egy fejlettebb és intelligensebb változatának tekinteném.     

GyT.: Milyen mérföldkövek vezettek az AGV-k előre programozott útvonalától az AMR-ek autonóm navigációjáig?

K. I.: Az első mérföldkőnek az 1980-as évek második felében a SLAM (Simultaneous Localization and Mapping) módszerek megjelenését, valamint a különböző dinamikus pályatervező algoritmusok, mint pl. D* (Dynamic A*), megjelenését tekinteném, mely olyan alkotók neveihez köthetők, mint Anthony Stentz és Sebastian Thrun. Abban az időben a SLAM módszert (valójában módszer családot) a navigáció „Szent Gráljának” tekintették (és ez valóban nem túlzás), mivel lehetőséget adott arra, hogy egy robot egyszerre térképezze fel a környezetét és lokalizálja magát azon a térképen, amit éppen készít. 

A 2000-es évek elején egy újabb lökést jelentett, hogy a SLAM módszereknek megjelent egy újabb változata, a FastSLAM, ami alkalmasabb volt dinamikus környezethez, valamint a zavaró tényezőket is jobban kezelte.

A 2000-es évektől kezdve napjainkig folyamatosan megfigyelhetőek egyre nagyobb komplexitású AI funkciók megjelenése a robot navigációban, pl. objektum klasszifikáció, viselkedési modellek, neurális hálózatokon és fuzzy rendszereken alapuló megoldások (amik egy részét ma már nem is AI, hanem „Computational Intelligence” kategóriákba soroljuk). Emellett a SLAM módszereknek több iránya is folyamatosan fejlődött, melyek más percepciós modalitáson alapultak, pl. képi információn (Visual SLAM és Visual Odometry), valamint olyan fuzionált megoldások, melyek egyszerre több percepciós modalitást (kamera + lézer radar) vesznek figyelembe.    

Az újabb lökést pedig a kurrens AI trendekben is markánsan jelen lévő, magasabb fokú autonómiát lehetővé tevő gépi tanulás, AI percepció, Generatív AI, kontextus és szituáció felismerés adják.   

GyT.: Szenzortechnológia, LiDAR, mesterséges intelligencia – melyik technológiai fejlesztés volt a legmeghatározóbb az AMR-ek elterjedésében?

K. I.:Ez egy érdekes kérdés, tekintve, hogy 20 évvel ezelőtt még más módszereket kategorizáltunk a mesterséges intelligencia témakörbe, mint napjainkban. A „tradicionális” mesterséges intelligencia kategóriába például olyan informált gráfbejáró algoritmusok is beletartoztak, mint az A* algoritmus, amelynek egyes verziói mai napig a legnépszerűbb robot pályatervezők. Napjainkban az AI alatt a nagy nyelvi modelleket (LLM) és generatív AI (GenAI pl. ChatGPT) megoldásokat, illetve a gépi tanuló módszereket értjük (bár ezek is jelen vannak már a 1990-es évektől). A klasszikus értelemben vett AI módszereket ma már leginkább a „Computational Intelligence” kategóriába sorolnánk, de ezek nagyban hozzájárultak az autonóm navigáció több aspektusának fejlődéséhez. 

Ugyanakkor ezek számításigényes módszerek, amik kellő hardverkapacitás nélkül limitációkba ütköznek, így meg kell jegyezzük, hogy a számításkapacitás növekedése (a jobb hardver) legalább annyira markáns szerepet játszott ebben a fejlődésben. Ugyanez értendő a szenzortechnikára, az egyre fejlettebb (intelligens) szenzorok úgymond „levették a terhet” a jel- és képfeldolgozó algoritmusok válláról, teret adva számításkapacitás további felhasználásra és további funkciókra. 
A LiDAR (lézer radar) alkalmazása amiatt hozott markáns fejlődést az autonóm navigációban, mivel egyrészt a SLAM algoritmusokkal nagyon jól összeilleszthető kimentet állít elő, és nem kíván meg a környezetbe épített segédelemeket. 

GyT.: Melyek a legfontosabb különbségek az AGV és az AMR között a mindennapi működésben?

K. I.:Amivel gyakran találkozhatunk ipari megoldásokban az alapvetően egy autonóm navigációs képességgel rendelkező AGV (ami egy alacsonyabb autonómia szinten lévő AMR-ként is értelmezhető), ami nem hoz lokális döntéseket, hanem központi irányítás alatt áll.  Az ipari gyártórendszerekre, valamint automatizált raktárakra ez a „típus” a legjellemzőbb. Azt is fontos figyelembe venni, hogy autonóm navigációnak költségvonzatai is vannak, így pl. elég népszerűek az olyan megoldások, ahol csak QR-kód alapú navigáció történik (a kódok padlóra vagy falra vannak ragasztva, ami lokális információt tartalmaznak a környezetről, esetleg instrukciókat is tartalmaznak). Ha a mindennapi operációt tekintjük, úgy nincs nagy különbség, mindkét típust egy központi flottakezelő rendszer irányítja. Különbség leginkább a komissiózás fázisában van. A SLAM navigációs esetben egy operátornak végig kell vezetnie a robotot a gyártóterületen (minél több zárt hurokban), hogy minél pontosabb térképet kapjunk. Ezt célszerű megismételni a gyártási folyamat során is, ha markáns változás történik a környezetben, de ez persze az adott SLAM módszer fejlettségétől függ. Erre pl. nincs szükség a QR-kód alapú navigációs esetben.  

GyT.: Milyen helyzetekben hoz valódi előnyt egy AMR? 

K. I.: Az AMR-ek előnye az olyan helyzetekben mutatkozik meg, ahol magasabb autonómia szintet várunk el. Itt el kell vonatkoztatnunk a teljesen automatizált gyártórendszerektől és raktáraktól, ugyanis ott (mivel mindent egy központi intelligencia irányít) szinte minimális autonómia is elegendő az ágensek szintjén.

Ha arra gondolunk, hogy az autonómia a környezet komplexitására adott válasz, úgy az AMR funkciók jelentősége a környezet komplexitásával együtt növekszik. A humán jelenlét egy gyakori tényező (gyártórendszerek esetén is), ami növeli a komplexitást, és magasabb fokú autonómiát követel meg. Ugyanakkor az olyan alkalmazások, amik félig kontrollált (illetve félig strukturált) környezetben történnek, rejtik az igazi potenciált. Itt leginkább szerviz robotikára gondolhatunk, amiknek potenciális területei: hotelek, bevásárlóközpontok, áruházak, háztartások, olyan típusú környezet, ami nem rejt komoly veszélyforrást, viszont dinamikus és jellemzi az emberi jelenlét, valamint struktúráját tekintve. 

Még magasabb autonómia szintet megkövetelő megoldások már nemkontrollált környezetben történnek (katasztrófahelyzetek, mentőakciók, stb.), ez viszont a robotika egy másik területéhez tartozik. Az építkezéseket tartanám ugyanakkor ebből a szempontból egy érdekes esetnek, a környezet jellege már inkább a nem kontrollált kategóriában van, de még valamelyest szabályozott.       

GyT.: Az AMR-ek kb. 12-15 éve vannak jelen a robotikai piacon. Miben fejlődtek a legtöbbet az első generációs megjelenésükhöz képest?

K. I.: Amiben egyre inkább előretörést látunk a 12-15 évvel ezelőtti helyzethez képest, azok a percepcióhoz köthető AI funkciók, amik leginkább a humán jelenlét esetén, és a humán munkaerővel való kollaboráció esetén hasznosak. Mindenképp szót kell ejtenünk ebben a tekintetben a humanoid robotokról, illetve ezek fokozatos térnyeréséről. Egy humanoid robotot az autonómia különböző dimenzióiban és azok skáláin mindenképp magasabb szintre tudunk sorolni, és ezek korszerű AI megoldásokkal vannak úgymond „felszerelve”. A humanoid robotok térnyerése különböző ipari szekciókban most igazán látványos. Szükséges-e ilyen magas fokú autonómia az ipari megoldásokban? Erre a kérdésre a következő 5-10 évben kapjuk meg a választ.   

GyT.: Mely iparágakban látják most a legnagyobb keresletet az AMR-ekre?

K. I.: A legnagyobb felvevő piacot az autóipar, a logisztika, az élelmiszeripar és az egészségügy jelentik. Az autóipari anyagmozgatás, valamint az automatizált raktárak logisztikai megoldásai úgymond „tradicionális” felhasználási területek. Emellett, noha jóval kisebb darabszámban, a félvezető iparban igen markánsan vannak jelen mobilmanipulációs megoldások (mobilis platform és azon egy (általában kollaboratív) robotkar). 

Ami most egy érdekes új irány lehet AMR-ek számára az a szerviz robotika (hotelek, háztartások, bevásárlóközpontok, kórházak), valamint az építkezéseken való részvétel (construction robotics). 

GyT.: Tudna példát mondani arra, hogy egy vállalatnál hogyan váltotta ki vagy egészítette ki az AMR az AGV-flottát?

K. I.: Nehéz kérdés, talán az Amazon rendszereit tudnám a legjobb példaként említeni. Az Amazon Kiva rendszer úttörőnek számított a maga idejében, viszont egy időre kivonultak a robotikai piacról. Nemrégiben ugyanakkor visszatértek az Amazon Proteus-al, ami minden tekintetben AMR-nek minősül. A flotta mérete jóval nagyobb és az operáció is jóval dinamikusabb (tekintve a rendeléseik megnövekedett számát), valamint a humán jelenlét is jelentősebb. Az Amazon automatizált raktárai érdekes mixtúrát alkotnak, mivel még elzárt cellák is vannak, ahová emberek nem léphetnek be, de robotok igen.  

GyT.: Milyen szerepet játszik a mesterséges intelligencia az AMR-ek jövőbeli képességeinek fejlesztésében?

K. I.: Percepció, kontextus és szituáció felismerés, autonóm döntések és autonóm cselekvés. Tulajdonképpen az autonómia növekedését vonja maga után, amely a komplexebb esetekben, mint a már említett humán-robot kollaborációs helyzetek (ipari kontextusban is), a szerviz robotikában rejlő potenciál, valamint az olyan félkontrollált (ill. félig strukturált) környezetek, mint bevásárlóközpontok, hotelek, háztartások, valamint építkezések, elvárható. A humanoidok esetében pedig alapvetően szükségesek ezek az autonóm funkciók, mivel sokoldalú felhasználásra szánják őket. 

GyT.: Elképzelhető, hogy az AMR-ek idővel teljesen kiszorítják az AGV-ket, vagy a két technológia tartósan egymás mellett marad?

K. I.: A legjobb választ erre talán a nemrégiben elfogadott VDA5050 szabvány adja. Ez az első olyan mobil robotok (AGV-k, AMR-ek) integrációs szabványa, amelyet német autóipari szereplők dolgoztak ki. Lényege, hogy egységes keretrendszert kínál a különböző autonómiájú mobil robotok gyártási integrációjára – ugyanúgy tud kezelni egy egyszerű vonalkövető AGV-t, mint egy fejlett AMR-t.

Tekintve, hogy az autonóm funkcióknak költségvonzata is van, én leginkább azt valószínűsíteném, hogy még jó ideig kevert megoldásokkal fogunk találkozni, ahol AGV-k és AMR-ek kvázi szimbiózisban vannak jelen egymás mellett, amibe a humanoid robotok is beleértendők.