www.design-reuse-china.com
搜索,选择,比较,与提供商进行安全高效的联系
Design & Reuse We Chat
D&R中国官方微信公众号,
关注获取最新IP SOC业界资讯

AI advances step by step to smart factory

Rick Merritt, EE Times矽谷採訪中心主任, Nov. 19, 2018 – 

深度神經網路(DNN)正逐漸蔓延至工廠。

對於一些早期採用者而言,神經網路可說是嵌入於電腦視覺相機之眼背後的新智慧。最終,這些網路將蜿蜒滲透至機器手臂、感測器網路閘道器和控制器,從而改變工業自動化。不過,這樣的變化並不會很快就發生。

IBM Watson技術長Rob High說:「從可能進展至數十年的先進時代和下一代機器學習演算法來看,我們仍然處於早期階段,但我認為將在未來幾年看到巨大的進步。」

神經網路將出現在工廠環境下越來越多的Linux多核心x86閘道器與控制器中。High說,新興的5G蜂巢式網路有一天將會讓神經網路可以隨時存取遠端資料。

汽車和飛機製造商以及醫療保健供應商都在儘早採取措施,特別是智慧相機。佳能(Cannon)在其工業相機中嵌入了輝達(Nvidia) Jetson嵌入式開發板,啟動了深度學習。工業相機供應商康耐視(Cognex Corp.)正在加速生產其產品種類。中國新創公司地平線機器人(Horizon Robotics)則已經出貨嵌入其深度學習推論加速器的安全監控攝影機,。

Nvidia自動機器部門總經理Deepu Talla說:「所有的早期採用者都在為視覺感知部署深度學習,而其他人也開始注意到他們了。如今實現感知設計並不難,研究人員也已經解決了這個問題。」

然而,「現在最大的問題在於使用人工智慧(AI)與人類進行互動,以及實現更精密的驅動任務––這些都是需要長期研究的問題。在無人機和機器人導航等領域,我們已經進一步發展到原型階段了。」

Talla將機器人技術稱為「電腦和AI的交集」,但深度學習的許多工業用途可能並不那麼令人嚮往––而且會更快來臨。

機器人零組件供應商Harmonic Drive LLC執行長Doug Olsen說,工廠機器人尚未開始使用AI。「由於工廠中的嵌入式機器可用於預測故障、收集日常使用資料,以確定系統何時需要預防性維護。這就是AI得以先確立地位之處。因此,短期內還不要過度寄望於智慧機器手臂。」

幾家大型晶片製造商也同意這個看法。三年前,瑞薩電子(Renesas Electronics)開始進行實驗,讓微控制器(MCU)在終端節點支援AI,並用於在其半導體晶圓廠中檢測故障,以及預測生產系統是否需要維護。

今年10月,這家日本晶片巨擘推出了第一款具有動態可重配置處理器區塊的MCU,可用於即時影像處理。該公司的目標在於跟上可支援2020年即時認和2022年增量學習的控制器腳步。

競爭對手意法半導體(STMicroelectronics;ST)的STM32晶片採用了類似的方法。今年2月,該公司宣佈了一項深度學習SoC以及正在開發中的加速器,部份目的是在工廠中進行故障檢測。

智慧機器人終將到來。例如,新創公司covariant.ai正致力於透過強化學習來實現這一目標。美國加州大學柏克萊分校(UC Berkeley)Pieter Abbeel說:「為機器人配備觀看的能力以及根據眼見情況採取行動,將是未來幾年深度學習將會帶來的最大差異之一。」Abbeel曾經在UC Berkeley成立了covariant.ai,並管理著一座機器人實驗室。

Abbeel展示了機器人學習如何使用神經網路技術執行模擬,但這項技術目前也還處於早期階段。他說:「事實上,我們成立covariant.ai的部份原因在於看好目前的工業AI領域還不是那麼擁擠。」

尋找資料和專家

Abbeel說,在邁向智慧工廠的發展道路上,深度學習必須克服三大障礙。「它必須融合正確的註解資料、知道如何進行處理的專業知識以及為運算[資源]支付資金。」

打算進行徵才的業界公司將會面臨「AI人才短缺」的問題。Abbeel說:「柏克萊大學每年約有30名畢業生取得這個領域的博士學位(Ph.D.)。但許多人最終都會停留在進行研究,例如Google Deep Mind,因此不會有太多人才進入業界。」

但業界需要專家收集、標記與建立模型,以訓練資料集––傳統上資料科學任務往往不會是工業廠商的內部優先事項。然而,GE軟體研究副總裁Colin Parris說,隨著電腦模型越來越多地應用於各方面,這種情況正慢慢發生改變。

Parris說:「業界長期以來一直使用模型和模擬來確保安全和成本,但現在他們必須保持『活動中的』現場模式[持續更新]。例如,航空公司的整個機隊都必須模擬從中東飛行至斯堪第那維亞半島時,穿越熱與冷的不同地區對飛行的影響。」

這些模型––所謂的數位雙胞胎(digital twins),正成為預測行為變化的工具,這項工作「要求更快地收集更多資料,並用於不同方面。」Parris表示 ,「問題在於每家業者都想銷售一套建模工具,使得業界最終將遇到資料互通性的問題。」

例如,深度學習導致了諸如TensorFlow、Caffe和Chainer等軟體架構的迅速崛起,每一種架構都有各自的優點和缺點。開發人員認為有必要融合各種架構,以支援更精密的AI抽象化,而這正是研究人員才剛開始研究的領域。

其他人則指出,神經網路具有不確定性。這導致了兩個問題:結果十分有用但卻無法解釋,而且它們通常表現良好但卻總是無法達到完美的準確度。Abbeel說:「即使研究論文[結果]的成功率可能在80%到99%之間,你還是需要注意失敗時可能導致高成本的情況。」

就像演算法一樣,硬體仍在不斷地發展中。Abbeel表示,「深度學習中的計算需要改變如何為矩陣乘法等特性佈局電晶體的方式。」他同時很早就投資了將近50家AI加速器新創公司之一的Graphcore。 「[深度學習的需求]無法搭配今天的CPU和GPU––這些CPU/GPU都還不錯,並但不是最佳的。」

從噴射渦輪到聖誕禮物

機器學習開始對工業應用帶來影響,從為噴射渦輪機噴漆到包裝聖誕禮物。

Parris說,GE採用配備電腦視覺的機器人,將發光塗料用於噴射引擎渦輪機並檢查它們是否有裂縫。他說:「這讓人們擺脫了令人沮喪的環境,並讓我們更能掌握資訊。」

Nvidia的晶片支援日本武藏精密工業(Musashi Seimitsu Industry)的自動光學檢測元件。他們還安裝了小松製作所株式會社(Komatsu Ltd.)的安全攝影機,可防止挖土機在施工區碰撞工人。

美國John Deere公司使用Nvidia Jetson開發套件來幫助拖拉機區分作物和雜草,以免肥料浪費在雜草上。這些開發套件還可為Agrobot製造的自動收割系統提供動力。

還有幾家新創公司正在開發一些較棘手的任務,幫助機器人自動導航倉儲或甚至是城市。在Lowe's和BevMo等零售店中,智慧零售機器人Fellow Robots支援巡航商店貨架間走道以及盤點庫存的系統。Robby Technologies率先在舊金山地區提供送貨到府的服務,而Aerialtronics製造的商用無人機則支援電腦視覺,用於執法、搜尋以及救援和施工。

被譽為掃地機器人Roomba之父的Rethink Robotics共同創辦人、主席兼執行長Rodney Brooks表示,由阿里巴巴(Alibaba)和亞馬遜(Amazon)等公司經營的大型倉儲物流服務業務將成為智慧機器人的重要推動力。Brooks在去年的一場活動中指出,「亞馬遜機器人(Amazon Robotics)部門在美國波士頓僱用了700名員工,但機器人無法執行分揀和包裝(pick-and-pack)任務,因此每年到了聖誕節期間都得再增加人手。」

他說:「這些倉儲物流中心特別需要分揀和包裝服務,因為每一個包裹都是獨一無二的。預計這將會以前所未見的方式推動機器手臂發展,並且反過來以我們無法預測的方式影響工廠自動化。」然而,他也補充道,「巨大的需求將使許多人與機器人直接接觸。」

三星電子(Samsung Electronics)旗下子公司Samsung Austin Semiconductor製造副總裁Jonathan Taylor表示,三星在其170億美元的晶圓代工廠中打造了一支資料科學家團隊。他並未透露這些科學家是否使用深度學習技術,但該設施確實已宣佈與AT&T達成一項測試5G網路的協議。

未來,該晶圓廠可望使用5G網路為園區中較偏遠的位置,連接振動感測器與公用事業系統,例如水泵。它還可以使用無線網路連接4K攝影機以確保安全性,而在緊急情況下則可採用神經網路實現的人臉辨識應用程式,確認3,000名員工的所在位置。

Taylor說,其廠房設施中已經存在「許多有線連接了,因此我們希望連接以往無法連接到的區域。」

隨著工廠變得越來越密切互連,為AI提供了廣大的基礎。根據市場觀察公司ON World進行的一項2017年調查顯示,三分之一的工業物聯網(Industrial IoT;IIoT)網路如今已連接超過一千個節點了。這是在2014年調查中有線連接的2倍,但最新調查中只有12%的工廠在單一站點中部署了許多無線節點。

現正持續擴展中的網路正透過深度學習網路而鋪路,預計在未來,深度學習網路將逐漸蔓延開來,為與其連接的每個系統帶來更高度的智慧化。

 Back

业务合作

广告发布

访问我们的广告选项

添加产品

供应商免费录入产品信息

© 2023 Design And Reuse

版权所有

本网站的任何部分未经Design&Reuse许可,
不得复制,重发, 转载或以其他方式使用。