En robot plukker en genstand op, flytter den og sætter den ned. Succes. Men betyder det, at robotten er præcis nok til rigtig arbejde? Langt fra. Når en opgave skal gennemføres hundredvis af gange, mens genstande bevæger sig, gribetaget ændrer sig, komponenter slides ned, og uventede fejl opstår – så først bliver ægte præcision og pålidelighed testet ordentligt.
Teknologien bag robotternes motorik udvikler sig hurtigt, men der er en kritisk forskel mellem at kunne udsendelse en enkelt handling og at kunne gennemføre en komplet arbejdsgang uden konstant menneskelig indgriben. Og det er netop her, industriens næste store udfordring gemmer sig.
Hvor mange ‘niere’ skal til?
En robot med 99 procents successprocent lyder parat til arbejde. Men de fleste arbejdsopgaver består ikke af en enkelt handling. En typisk arbejdsgang kan kræve 100 på hinanden følgende fysiske handlinger.
Ved 99 procents successprocent for hver handling er sandsynligheden for, at alle 100 lykkes ved første forsøg, blot 36,6 procent. Øges successraten til 99,9 procent, stiger sandsynligheden for at gennemføre hele arbejdsgangen til 90,5 procent. Ved 99,99 procent nås 99,0 procent.
Selvom det er et forenklet eksempel, illustrerer det en afgørende pointe: små pålidelighedsgab bliver betydeligt større, når de gentages gennem hele arbejdsgangen. En robot, der ser nærmest fejlfri ud under demonstration, kan stadig være langt fra egnet til uovervåget drift. Forskellen mellem to og fire decimaler kan ende med at afgøre, om en robot klarer sig alene.
Præcision er et system, ikke blot en hånd
Diskussionen om robotternes evner fokuserer ofte på hardware-delen: flere fingre, flere led, mere bevægelsesfrihed. Men kunderne køber ikke frihedsgrader. De køber udført arbejde.
At gennemføre det arbejde kræver en lukket kredsløb på tværs af vision, position, kontakt, kraft, tryk, gribetag, bevægelse og justering. Energi, sikkerhed, fleksibilitet og fejlbedring betyder også noget.
Ikke alle arbejdsgange kræver taktil feedback – i nogle tilfælde kan vision og bevægelsesdata være tilstrækkelig information. Men føling kan være afgørende for at fortælle robotten, at den mister grebet, at kontakten er ustabil, at der bliver presset for hårdt, eller at en komponent sidder rigtigt.
Målet er derfor ikke at stable hver eneste sensor på hver robot, men at give systemet præcis den information, det behøver for at handle og genoprette sig selv pålidelig.
Læring gennem virkelig drift
Genfinding efter fejl er en enorm del af ægte præcision. Hvis en robot begynder at miste grebet på en genstand, er det ikke det originale gribetag, der betyder noget – det er om systemet kan opdage glidningen tidligt nok til at korrigere det, før en lille fejl ødelægger hele opgaven.
Når fejl opstår under drift i virkeligheden, kan det være et software-, sensor- eller styringsproblem – eller det kan være selve hardware’en, der skal redesignes. Når hånd designet ændrer sig, ændrer bevægelse, føling og kalibrering sig også. Data indsamlet med et design overføres ikke automatisk til et nyt.
Drift i virkeligheden er derfor kritisk for udviklingen. Glidninger, dårlige gribetag, slitage og fejlslagne genopretter sig afsløres. Disse erfaringer bliver data, der kan forbedre software, simulering, føling, kontrol og hardware. Hver cyklus gør næste drift mere pålidelig og billigere.
Ægte præcision vokser ved at gentage cyklusser
Et teknologisk gennembrud kan starte rejsen, men det er læringssystemet omkring det, der multiplicerer virkningen. Robotternes præcision bør betragtes på samme måde. Flere ‘niere’ kommer fra gentagne indsætninger, læring og forbedring.
Specialisering slår generalisering. I stedet for at søge efter den mest menneskelignende robot skal udgangspunktet være jobbet. Derfra arbejder man baglæns for at bestemme miljøet, den fysiske form og det system, der skal til for at udføre det.
Præcision bør følge samme logik. Den mest menneskelignende hånd er ikke nødvendigvis den bedste for en bestemt arbejdsgang. Målet er ikke maksimal præcision, men minimum tilstrækkelig præcision til at udfører værdifuldt arbejde pålidelig – og vi begynder allerede at se dette princip implementeres med succes.
Pålidelighedsmål, der betyder noget
Successraten for en enkelt handling i en demonstration fortæller meget lidt om, hvorvidt en robot er klar til uovervåget drift i den virkelige verden. Det vigtige spørgsmål er: Hvor stor en andel af komplette arbejdsgange gennemføres uden menneskelig assistance? Når noget går galt, hvor ofte kan robotten genoprette sig selv uden hjælp? Hvordan ændres præstationen, når genstande, belysning, position, slitage eller omgivelser ændrer sig?
Så kommer de mindre glamourøse, men ekstremt vigtige spørgsmål ved stor skala. Hvad går først i stykker ved gentagen brug? Hvor hurtigt kan det diagnosticeres, repareres og sættes i drift igen? Hvad er hastighed, oppetid og omkostning for hvert succesfuldt afsluttet job?
Disse er langt bedre mål for præcision end det, en robot kan demonstrere én gang. En robot behøver ikke den mest menneskelignende hånd, det største antal led eller det bredeste spektrum af færdigheder for at skabe værdi. Den har brug for den rigtige kombination af fysisk form, føling, kontrol og fejlbedring for at gennemføre værdifuldt arbejde pålidelig i det miljø, hvor den faktisk skal arbejde.
Det er her, industriens næste fase inden for robotternes præcision vil blive vundet. Branchen har gjort ekstraordinære fremskridt i det, robotter kan gøre. Nu er udfordringen at gøre disse evner til systemer, som kunder kan stole på til at udføre nyttigt arbejde gentagne gange, genoprette sig selv, når noget går galt, og forbedre sig gennem drift.