Siemens Research: как научить ИИ-роботов скорости и податливости

Сделать робота быстрым — просто. Сделать его податливым — тоже возможно. Но совместить скорость и податливость, когда роботом управляет AI-политика, — это настоящая инженерная задача. Новый подход, разработанный в Siemens Research, предлагает элегантное решение: изменить способ вывода команд AI-политики, чтобы устранить конфликт между этими требованиями.

Проблема: AI-политики и комплаентные контроллеры

Многие сборочные операции требуют комплаентного управления, при котором робот слегка уступает при столкновении с неожиданным усилием. Например, при вставке детали в плотное гнездо жесткое движение может привести к поломке. Комплаентность позволяет роботу чувствовать и поглощать контактные усилия, а не сопротивляться им.

Однако комплаентность имеет цену: физика импедансных и адмиттансных контроллеров — стандартных методов комплаентного управления — требует информации о скорости и ускорении для быстрой реакции. Когда такой информации нет, контроллер отстает от заданной траектории. Чтобы компенсировать это, инженеры обычно увеличивают жесткость, что сводит на нет саму идею податливости.

Именно в эту ловушку попадают современные AI-контроллеры — модели типа vision-language-action (VLA). Эти модели, обученные на демонстрациях человека, предсказывают следующее положение рабочего органа робота. Они выдают только целевые позиции, без скоростей и ускорений, и с низкой частотой обновления. В результате комплаентный контроллер, получая лишь позиционные цели без скоростного предсказания, не может точно отслеживать быстрые движения без потери податливости.

Решение: ретрофитинг скорости без изменения модели

Исследователи Siemens задались вопросом: как заставить AI-политику, не обученную работе со скоростью, эффективно взаимодействовать с контроллером, зависящим от скорости, без полного переобучения? Ответ — минимальное изменение, не затрагивающее архитектуру модели.

Были разработаны и сравнены два метода, требующие изменений только на периферии системы: на этапе сбора телеметрических данных и при постобработке данных. Оба метода позволяют существующим VLA-моделям с чанкованием действий (action-chunking) генерировать скоростные команды, не изменяя веса модели.

Первый метод — модификация процесса сбора демонстраций, чтобы в данных присутствовала информация о скорости. Второй — программная постобработка позиционных целей для вычисления скоростных составляющих перед подачей в контроллер. Оба подхода архитектурно агностичны и могут быть применены к любой VLA-модели.

Результаты и значение

Эксперименты подтвердили, что предложенные методы позволяют роботам работать на скоростях, недостижимых для стандартных VLA-моделей, сохраняя при этом комплаентность. Это открывает путь к более безопасной и эффективной автоматизации сборки, где роботы могут быстро адаптироваться к неопределенности, не жертвуя точностью.

Применение в России

Для российской промышленности, где активно внедряются роботизированные комплексы на предприятиях машиностроения, электроники и автомобилестроения, этот подход особенно актуален. Отечественные интеграторы, такие как «РобоПро» и «ТехноСпарк», могут использовать метод Siemens для повышения производительности сборочных линий без замены существующего парка роботов. Возможность адаптировать AI-политики без переобучения снижает барьер входа для малых и средних предприятий, которые часто ограничены в ресурсах на НИОКР. В условиях импортозамещения и перехода к гибкому производству, технология позволит российским заводам быстрее переналаживать линии под новые изделия, сохраняя высокое качество сборки.