Descripció del projecte
En el context de la indústria 4.0, l’ús de robots en processos industrials s’ha convertit en una realitat. Cada vegada són més les indústries que fan servir robots per automatitzar tasques que es realitzaven de forma manual, millorant així l’eficiència, l’eficàcia i l’efectivitat dels seus processos. El control d’aquests robots requereix de sistemes informàtics especialitzats, en els quals es combina informació adquirida a través de càmeres i sensors en línia amb tècniques especialitzades de processament que permeten adaptar el funcionament del robot a cada situació. Normalment, aquests entorns són controlats de forma manual i ajustats en funció de les necessitats de l’entorn. Reduir la interacció manual per tal d’automatitzar al màxim els processos és un repte tecnològic complex i de gran interès per a la indústria.
Entre les claus de la solució hi ha el deep learning o algoritmes d’aprenentatge automàtic que analitzen i processen les dades de l’entorn per crear models de comportament capaços de predir accions futures. Aquests algoritmes es basen en xarxes neuronals que imiten el funcionament de les neurones i les connexions que hi ha entre elles i que després de ser entrenades són capaços d’exercir determinades tasques. El procés d’entrenament modifica el valor dels pesos associats a cada neurona de la xarxa per tal que a partir d’unes dades presentades a l’entrada aquesta pugui generar una sortida. Malgrat existir diversos algoritmes d’entrenament, la seva principal limitació és l’elevat cost computacional que requereixen. Si bé a nivell tècnic aquest cost no és una limitació, sí que ho és a nivell pràctic. Especialment si tenim en compte els computadors que s’usen en les cadenes de producció industrials. A més, no simplement ens limita el cost computacional sinó també l’elevat volum de dades que s’ha de considerar per simular les possibles entrades de la xarxa. Volum que resulta completament intractable si considerem que la majoria de sistemes usats en la indústria són sistemes tancats amb programari proporcionat pel fabricant.
En aquest context, els embedded systems o sistemes encastats poden convertir-se en una estratègia per atacar aquests problemes. Els sistemes encastats es caracteritzen per tenir un maquinari específic dedicat equivalent a un PC, amb la flexibilitat a nivell de programari que aquest proporciona. Aquesta flexibilitat es podria aprofitar per dissenyar solucions híbrides basades en cloud computing que permetin realitzar l’entrenament de la xarxa en servidors dedicats i que posteriorment transmetin les dades al sistema. A més, per optimitzar el procés d’entrenament, es podrien usar imatges sintètiques en les que es reprodueixin les situacions que es volen detectar en el procés industrial.
L’objectiu d’aquest projecte és investigar la visió per computador, la robòtica i els algoritmes d’aprenentatge automàtic per tal de proposar noves solucions de control d’entorns robotitzats que s’ajustin a les necessitats del sector industrial explotant per a això la funcionalitats dels sistemes encastats i les tècniques del cloud computing. Interessa obtenir solucions que siguin aplicables tant des del punt de vista teòric com pràctic.
Els reptes tecnològics que es plantegen en el projecte els classifiquem en quatre blocs principals: 1.Demostrar l’adequació dels mètodes basats en deep learning per a l’automatització de processos de control industrial; 2.Generació i recopilació de dades per a l’entrenament; 3.Establiment d’un protocol de comunicació entre el sistema encastat i el núvol (cloud); 4.Proposar una solució integrada adaptable a diferents entorns.
