Перейти к основному содержанию
Перейти к основному контенту
Заглавное фото: Экспериментальный вариант Sarcos Guardian S, робота визуального инспектирования для применения в условиях природных катастроф или мероприятий по контрольному осмотру в промышленном окружении. Он научился обходить препятствия и самостоятельно подниматься по ступенькам, используя платформу Microsoft для автономных систем. Фото Dan DeLong for Microsoft.

От автоматизации к автономным системам

Платформа Microsoft для разработчиков поможет ускорить процессы

После землетрясения только робот, похожий на змею, может проползти среди обломков и руин в узкие воздушные карманы, туда, куда ни один человек не сможет и не должен попадать.

Маленькая роботизированная платформа поиска Sarcos Guardian S специально создана для подобных сценариев: поиск трещин в промышленных трубопроводах, обнаружение людей под завалами обрушенных зданий, определение утечек ядовитых газов, представляющих риск для жизни и здоровья поисково-спасательных команд.

Сегодня робот контролируется специалистом, который на безопасном расстоянии от места аварии управляет техникой при помощи камеры и ручки дистанционного управления, похожей на джойстик для видеоигр. В настоящее время Microsoft and Sarcos совместно работают над наделением Guardian интеллектуальными способностями для еще более автономной навигации, что позволит освободить оператора для решения более важных задач.

Идея разработки автоматизированных индустриальных приложений и использования роботов не нова. Роботизированные руки перемещают продукцию вдоль конвейерных линий, машины превращают куски металла в изделия, а автомобиль переключает передачи без участия человека.

Но все это очень далеко от систем, которые на самом деле автономны, способны видеть окружение и знать, что нужно делать в незнакомой ситуации. Вместо выполнения конкретных повторяющихся задач эти автономные системы могут динамически реагировать на окружающие изменения при решении сложных проблем. Они также обладают широким потенциалом дополнения человеческого труда или выполнения работы, которая небезопасна или слишком затратна для осуществления ее персоналом.

Microsoft создает комплексный набор инструментальных средств программирования для любого разработчика и любой компании, позволяющий им создать автономные системы для их собственных сценариев, будет ли это работа робота в угрожающих жизни ситуациях, инспектирование дроном удаленно расположенного оборудования или системы, направленные на снижение времени простоя на предприятии при помощи автоматической калибровки оборудования.

«Машины совершили большой прогресс на пути от полностью ручного управления через автоматизацию отдельных функций к приобретению интеллекта, позволяющего им самостоятельно справляться с задачами в ситуациях реального мира, говорит Гурдип Пол, вице-президент Microsoft по Business AI. – Мы стремимся помочь ускориться на этом пути, при этом не вынуждая наших заказчиков создавать армию экспертов ИИ».

На конференции разработчиков Microsoft Build был анонсирован первый компонент платформы: лимитированная предварительная версия программы для разработчиков для дальнейшей экспертной работы над построением интеллектуальных агентов с помощью инструментов Microsoft AI and Azure, которые могут автономно работать в физических системах. Данная команда включает опытных исследователей и инженеров Microsoft с многолетним стажем и экспертов Bonsai, которую Microsoft приобрела в прошлом году.

Для помощи разработчикам в создании автономных систем платформа Microsoft использует:

  • Инструменты machine teaching для создания ИИ-систем, позволяющие применять знания экспертов в их предметной области, но без требования владеть еще и навыками data science,
  • Технологии симуляции, такие как Microsoft’s AirSim или отраслевые симуляторы, которые дают машинам возможность обучаться в безопасном, но исключительно реалистичном окружении.

Она также будет использовать возможности разнообразного портфолио решений Microsoft Internet of Things services, легкую в применении платформу глубокого машинного обучения с подкреплением и другие ИИ-решения и инструменты типа ROS for Windows. Это позволит разработчикам строить интеллектуальные роботизированные системы на надежной и безопасной платформе, как в облаке, так и на устройстве.

Первые заказчики, участвующие в ограниченной программе предварительного использования, познакомятся с опытом компании Toyota Material Handling, которая совместно с Microsoft разрабатывала интеллектуальные и автономные вилочные погрузчики, и научатся пользоваться теми же инструментами создания автономных систем.

«Sarcos, например, искал решение для создания автономных систем, которое соединило бы лучшее, что могут предложить машины, и человеческий интеллект и интуицию», сказала Кристи Мартиндейл, исполнительный вице-президент и директор по маркетингу Sarcos.

Сегодня для управления движением промышленного робота Guardian S через узкое пространство и по разным типам местности человек должен тратить немалую часть своих усилий и внимания на нажатие кнопок и манипулирование джойстиком. Несколько шагов может уходить на маневрирование каждым сегментом робота-змеи по довольно заурядным типам поверхностей вроде ступеней.

Используя набор инструментальных средств Microsoft, инженеры смогли разработать автономную систему контроля, позволяющую роботу-змее обходить препятствия, ориентироваться на ступеньках и самостоятельно взбираться на металлическую стену.

«В реальном сценарии  оператор все еще будет участвовать в контролировании робота. Но если Guardian S может ощущать реальное физическое окружение и выполнять промежуточные движения для самостоятельного преодоления ступеней, то оператор может больше фокусировать свое внимание на оценке места происшествия и передаче важной информации», говорит Мартиндейл.

«Мы стремимся снять с оператора задачи, которые можно автоматизировать, например, как робот взбирается по ступенькам или обходит препятствия, чтобы дать специалисту возможность сосредоточиться на более важных вопросах своей работы,  говорит она. – Но человек все равно необходим, так как может возникнуть ситуация, когда оператор скажет роботу: «Нет, ты все-таки должен туда направиться, потому что данное препятствие – это человек, который пострадал».

Марк Хаммонд, генеральный директор подразделения Business AI компании Microsoft и бывший CEO Bonsai, разработал платформу, использующую machine teaching для помощи алгоритмам глубокого обучения с подкреплением в создании решений автономных систем. Фото Dan DeLong for Microsoft.

Марк Хаммонд, генеральный директор подразделения Business AI компании Microsoft и бывший CEO Bonsai, разработал платформу, использующую machine teaching для помощи алгоритмам глубокого обучения с подкреплением в создании решений автономных систем. Фото Dan DeLong for Microsoft.

Путешествие от автоматизированных до автономных систем

«Когда люди думают об автономных системах, часто они представляют полностью автономный автомобиль, который управляет сам, а пассажир в это время на заднем сидении читает книгу», – говорит Марк Хаммонд, бывший генеральный директор Bonsai, а ныне генеральный директор подразделения Business AI компании Microsoft.

Однако автопроизводители уже многие годы занимаются интегрированием элементов автономности в свою продукцию, например, круиз-контроль или АБС, которые «ощущают», что водитель старается сделать на мокрой и скользкой дороге при встрече с опасностью. Если человек бьет по тормозам так, что это может заблокировать колеса, тогда система берет контроль в свои руки и предотвращает потерю сцепления с дорогой.

«Замысел Microsoft – помочь другим типам предприятий – от умных зданий и энергетических компаний до промышленных производств – реализовать пошаговое наращивание возможностей по разработке решений автономности в своих отраслях. Как показал пример робота Sarcos, ценность таких решений, где человек все-таки присутствует в контуре управления, очевидна для многих»,  сказал Хаммонд.

«Вы можете сделать более умными и автономными любые типы операций, где механические системы взаимодействуют с физическим миром,  говорит Хаммонд. – Но присутствие людей все еще очень желательно, и цель – реально увеличить возможности человека в своей работе».

Машинное обучение с подкреплением – это направление ИИ, в котором алгоритмы обучаются, принимая серии решений. Они получают одобрение или наказaние на основании правильности действий, которые должны привести к достижению конечной цели. Этот метод хорошо подходит для помощи обучения машин выполнять автономные задачи контроля, например, как направить бур при подземном бурении или установить угол тракторного ножа в зависимости от типа почвы – песок, чернозем или камень.

Но в то время, как алгоритмы глубокого обучения с подкреплением успешно победили людей в индустрии компьютерных игр, справиться с задачами реального мира оказалось большим вызовом. В физическом мире динамическое окружение, которое встречает автономная система – с людьми и предметами, двигающимися непредсказуемо, или ежеминутными изменениями температуры или погоды – может оказаться намного сложнее. Указать точно, где система ошиблась в длинной последовательности шагов – сложнейшая вычислительная задача.

Машины совершили большой прогресс на пути от полностью ручного управления через автоматизацию отдельных функций к приобретению интеллекта, позволяющего им самостоятельно справляться с задачами в ситуациях реального мира. Мы ставим перед собой задачу ускорить этот процесс, при этом не вынуждая наших заказчиков обзаводиться армией экспертов ИИ.

Платформа автономных систем Microsoft способна решить эту проблему с помощью уникального подхода под названием machine teaching. В нем могут быть задействованы либо навыки разработчика, либо предметные знания эксперта в конкретной области. Этот человек не обязательно должен иметь хорошую подготовку в области искусственного интеллекта, но должен понимать, например, как управлять дрелью или обеспечить безопасную вентиляцию офисного здания – то есть уметь разобрать большую проблему на более мелкие составляющие элементы.

Вместо того, чтобы заставлять алгоритмы машинного обучения с подкреплением произвольно или по наитию искать решение проблемы, что может занять вечность, данный специалист, используя программный язык Inkling , показывает системе, как вначале научиться решать более простые задачи и подсказывает, какие факторы более важные. Это сокращает процесс обучения и дает возможность алгоритмам прийти к решению намного быстрее.

Платформа Microsoft также позволяет не специалистам в ИИ установить и настроить систему поощрения, что является ключом к нахождению реально работающего решения. Она сама выбирает и конфигурирует алгоритмы для работы с задачей, убирая, таким образом, необходимость создания кастомных решений экспертами машинного обучения.

Например, команда Microsoft сотрудничала с глобальной корпорацией Schneider Electric, которая занимается диджитализацией управления электроэнергией в домах, зданиях и целых индустриях. Задача, поставленная перед членами команды, состояла в тестировании возможности ИИ уменьшить выбросы углекислого газа от ОВКВ-систем, которые используются для нагревания и охлаждения больших коммерческих зданий.

«Schneider уделяет большое внимание поддержанию экологической безопасности, а большие здания вносят наибольший вклад в повышение глобального уровня углекислого газа. Поэтому требование к более эффективной работе ОВКВ систем является исключительно важным»,  сказал Барри Кофлан, старший вице-президент и директор по информационным технологиям Schneider Electric’s EcoBuildings Division.

С прицелом на дальнейшее долгосрочное партнерство был проведен пробный тест с использованием набора инструментов Microsoft и представленной Schneider симуляционной моделью. Была поставлена задача натренировать систему ИИ автономно управлять системой отопления, вентиляции и кондиционирования воздуха в помещении.

«Подбор оптимальных условий и факторов, которые контролируются различными физическими системами, требует значительно больших интеллектуальных возможностей, чем простой термостат,  сказал Хаммонд. – Система должна учитывать параметры окружающей среды, которые постоянно меняются: колебания затрат на энергию в течение дня, приход и уход людей в помещении, погода на улице и физические законы движения воздушных потоков. Сначала, используя подход machine teaching, эксперты Schneider и Microsoft научили систему обучения с подкреплением хорошо справляться с контролированием температуры. Затем система ИИ научилась контролировать потоки воздуха для поддержания его качества на благоприятном для человека уровне. Потом она научилась понимать, как загруженность помещения влияла на конечные результаты».

Приняв во внимание все эти факторы, система ИИ компании Microsoft смогла уменьшить потребление энергии в помещении на 20%, сохранив при этом комфорт и высокое качество воздуха. В настоящее время команды переходят ко второму этапу проекта, когда симуляция будет масштабироваться в разных типах помещений и способствовать дальнейшему сокращению расхода энергии.

Кофлан объясняет, что ступенчатый подход к обучению машин и способность наслаиваться при разных поощрениях дали Schneider Electric понимание, как система искусственного интеллекта обучалась, а также возможность проследить, какие факторы оказали наибольшее влияние.

«Многое из того, что мы делаем, имеет определенные последствия с точки зрения безопасности. Поэтому нам абсолютно необходимо понимать, как система искусственного интеллекта принимает решения,  говорит Кофлан. – Данный подход позволяет увидеть, как система становится умнее и дает вам контрольный след, имеющий принципиальное значение для безопасности и воспроизводимости. Это то, что необходимо нашим заказчикам, потому что нельзя установить систему и сказать им: «Просто поверьте нам!».

 

Платформа автономной системы Microsoft использует смоделированную складскую среду в AirSim для обучения интеллектуального погрузчика автономно забирать и доставлять груз, при этом идентифицируя и обходя препятствия. Это видео иллюстрирует картину будущего складского помещения с предобученными интеллектуальными погрузчиками, которые помогают персоналу в ежедневной работе.

 

Масштабируемая симуляция на Azure

Ни одна компания не может позволить себе ситуацию, когда в условиях реального работающего предприятия, ветряной электростанции или скоростного шоссе, робот или интеллектуальная система контроля совершает миллионы ошибок при обучении. Обучение алгоритмов с подкреплением должно проходить в смоделированной среде, в которой воссоздаются тысячи или миллионы возможных сценариев реальной жизни.

Пакет инструментальных средств Microsoft также включает симуляционную платформу с открытым кодом AirSim. Она была разработана исследователями Microsoft, чтобы применить ИИ для обучения дронов, беспилотных автомобилей и роботов в смоделированных средах с высокой степенью воспроизведения. Также команда специалистов вместе с заказчиками может тренировать автономные системы, используя индустриально специфичные симуляторы.

В любом случае, использование в облаке Azure симуляций с большим потоком данных позволяет системе протестировать тысячи последовательностей принятия решений параллельно друг другу. Это дает возможность моделям ИИ узнавать намного быстрее, что работает, а что нет.

AirSim также позволяет разработчикам тренировать разные инструменты ИИ и контроля для решения частей более сложных проблем. Например, в работе над автономными погрузчиками компании Toyota Material Handling исследователи разбили задачу на подкатегории идей, которые легче понять и отработать: определить траекторию движения к грузу, выровняться с палетой, поднять ее, обнаружить находившихся рядом людей и другие погрузчики, доставить палету, вернуться к станции загрузки.

По словам Капура, в этих сложных сценариях представляется разумным использовать обучение с подкреплением для тренировки погрузчиков на базовых контрольных задачах, например, захватить палету. Machine teaching помогает системе учиться выполнять все более сложные шаги, такие как горизонтально выровнять подъемное устройство и затем подобрать правильный угол для захвата.

Другие части сложной задачи могут быть решены с помощью совершенно иных инструментов, таких как алгоритмы обнаружения и обхождения препятствий, планирования траектории движения робота и классические методы контроля. Разбивая большие задачи на более мелкие, разработчики могут подбирать и применять инструментарий, наиболее подходящий для каждой конкретной подзадачи. «Мы стремимся предоставить заказчикам для построения их интеллектуальных автономных систем комплексные платформы, которые охватывают разработку, эксплуатацию и сквозное управление жизненным циклом»,  сказал Хаммонд.

Заглавное фото: Экспериментальный вариант Sarcos Guardian S, робота визуального инспектирования для применения в условиях природных катастроф или мероприятий по контрольному осмотру в промышленном окружении. Он научился обходить препятствия и самостоятельно подниматься по ступенькам, используя платформу Microsoft для автономных систем. Фото Dan DeLong for Microsoft.