Säkra och effektiva kollaborativa automationssystem

Forskningsprojekt, 2022 – 2027

Detta projekt handlar om att hantera osäkerhet mellan perception, planering och styrning för autonoma och kollaborativa robotar i en industriell miljö. Att förstå och hantera osäkerhet är viktigt av två skäl:
(i) människor måste kunna interagera med systemet på ett säkert sätt;
(ii) systemet måste uppfylla prestandakrav.
Förståelse och hantering av osäkerhet är avgörande för att utveckla automationssystem som är både säkra och effektiva. I detta projekt avser vi att integrera osäkerhetsuppskattningar från perception med planering och styrning. Vi kommer att beakta två industriella fallstudier:
(a) styrning av en flotta av mobila robotar som leds av kameror monterade i taket och som navigerar i en miljö där människor arbetar;
(b) samarbete mellan en människa och en industriell kollaborativ robot som tillsammans utför en monteringsuppgift.
Vår vision är att genom att angripa dessa två fallstudier, och genom att integrera osäkerhet i metoderna för perception, planering och styrning, kunna driva fram det senaste inom logistiksystem där människor är en aktiv del av processen.

Även om de industriella fallstudierna som tillhandahålls av AB Volvo är generiska och relevanta inte bara för tillverkningsindustrin utan även för andra logistikapplikationer, exempelvis inom livsmedels- eller läkemedelsindustrin, har de också några särdrag som skiljer dem från andra applikationer, inklusive autonom körning. För det första verkar robotarna i en kontrollerad miljö med många statiska objekt. För det andra måste systemet kunna hantera tiotusentals olika typer av komponenter, men komponenternas geometri är känd. För det tredje kommer manuellt annoterad data att vara begränsad, med tanke på det stora antalet monteringsstationer och objekt.

På senare tid har osäkerhetskvantifiering inom djupinlärning studerats i olika perceptionstillämpningar, såsom objektdetektion och semantisk segmentering. Att klassificera osäkerhet i aleatorisk och epistemisk osäkerhet har både gett bättre förståelse för modellens utdata, till exempel i form av konfidensintervall, samt lett till prestandaförbättringar genom exempelvis aktiv inlärning. Inom litteraturen om rörelseförutsägelse är däremot osäkerhetskvantifiering inte väl studerad, och robusthet betraktas sällan som en central fråga. Dessutom är det en öppen fråga hur osäkerhet i både nuvarande och framtida tillstånd i systemet bör hanteras inom planering och styrning för att möjliggöra säker samverkan mellan robotar och människor. Att enbart identifiera osäkerhet kan vara tillräckligt för att vidta försiktighetsåtgärder, såsom att stoppa systemet när scenarier med alltför hög osäkerhet uppstår. För att däremot kunna utforma en planerings- och styrstrategi som på ett säkert och effektivt sätt kan navigera i osäkra miljöer krävs en mer sofistikerad modellering av osäkerheterna.

Mot bakgrund av denna problembeskrivning avser vi att i projektet angripa följande forskningsfrågor:

Hur kan olika typer av osäkerhet för perceptions- och rörelseförutsägelseuppgifter identifieras, klassificeras och modelleras?
Hur kan osäkerhet i perceptions- och rörelseförutsägelsemodeller reduceras?
Hur kan modellerad osäkerhet hanteras under planering och styrning av autonoma industrirobotar?
För forskningsfråga 1 planerar vi att utvidga befintliga metoder för osäkerhetskvantifiering inom perception till domänen rörelseförutsägelse. Metoder som kan undersökas inkluderar etablerade tekniker såsom Monte Carlo Dropout-inferens eller modellensembler, men även nyare metoder som uppskattar osäkerhet i ett enda framåtpass. För forskningsfråga 2 kommer vi inte att begränsa oss till aktiv inlärning, som är en etablerad metod för att reducera epistemisk osäkerhet, utan även undersöka semi-supervised- eller self-supervised-metoder som utnyttjar till exempel rumslig och tidsmässig konsistens för att kunna träna även på oannoterad data. För forskningsfråga 3 planerar vi att ytterligare undersöka metoder för receding horizon (rullande horisont) med explicit hantering av osäkerhet för både planering och styrning.

I allt detta kommer vi att försöka adressera och dra nytta av de unika egenskaperna hos de industriella fallstudierna, inklusive det unika upplägget med statiska takmonterade kameror med överlappande synfält, förhandskunskap om miljön och objekten samt den begränsade mängden annoterad data.