産業オートメーションにおけるMLとAIの未来

現在、石油・ガス、製薬、プロセス監視/制御、車両管理、在庫管理、産業オートメーションなどの業界全体に産業用ワイヤレス センサー ネットワーク (IWSN) が実装されており、インダストリー4.0の導入が容易に見て取れます。工場フロアの資産を単純に接続するのではなく、より詳細な分析と 予測メンテナンス を実行して、機械設備の動作を最適化することができます。この記事では、産業オートメーションで使用される複雑な ロボット工学 に関連して、 人工知能 (AI) と 機械学習 (ML) を活用する実装と利点について説明します。

産業オートメーションアプリケーションで使用されるロボットの理解

産業用ロボットマニピュレータは、反復的で骨の折れる精密な作業を実行するために、さまざまな業界で利用されてきました。ロボット工学は、人間にとって潜在的に危険となる可能性のある作業において人間の介入の必要性を排除しました。たとえば、6軸産業用ロボットは自動車の塗装を効率的かつ効果的に実行できます。その他のロボットベースのアプリケーションには、自動パッケージング、マシンテンディング、回路基板テスト、ピックアンドプレース回路アセンブリ、金属加工、シールド溶接などがあります。これらの機械は高精度であるため、特に人間の労働力を活用する組立ラインと比較すると、比較的低い故障率で作業を非常にうまく遂行できます。ロボットのインターネット (IoRT) は、比較的高いスループット、低遅延、高信頼性の通信の組み合わせを必要とする最先端のIIoTを実現します。

典型的な管理階層

このコンセプトは、1990年代に「ネットワーク化されたロボット」とともに発展しました。これは、ロボットの集合を 有線または無線通信 ネットワークを介して遠隔制御できるというものです。これは、複数の機能を実行する単一のロボットの制御から、さまざまな機能を実行するロボットの集合の制御までさまざまです。IoRTのアーキテクチャには次の5つのレイヤーが含まれます。

•  ハードウェア層
•  ネットワーク層
•  サービスおよびアプリケーション層

図1 は、IoRTのさまざまな側面を中心に展開するハードウェアとソフトウェアを示しています。ハードウェア層には、さまざまな センサー、 アクチュエータ、および機器（ロボット、車両、電子戦機器、家電製品、産業用センサーノードなど）を監視および制御するためにリモートで管理できるロボットが含まれます。ネットワーク層には、ルーター、 コントローラー、クラウド データ ストレージ、およびネットワーク内の他のノードに接続するために使用できるさまざまな形式のワイヤレス プロトコルが含まれます。ゲートウェイやベース ステーションは、より複雑なデータ処理のためにクラウドに接続します。これらのプロトコルは、 セルラー通信 （例: 2G/3G、4G LTE、LTE-A、 5G）から、Wi-Fi、BLE、Zigbee、Z-wave、6LoWPAN、近距離無線通信による短距離接続までさまざまです。IIoT固有のプロトコルには、WirelessHARTやISA 100.11aなどがあります。これらのプロトコルは両方とも、中距離 (>200 m)、中スループット (250 kbps) のプロトコルであり、10ミリ秒という低い遅延が保証されています。長距離プロトコルは、小さなペイロードと特殊な狭帯域 (NB) および超狭帯域 (UNB) 変調方式により、低消費電力を実現することもできます。これらの特性は、LoRaWAN、Sigfox、Weightlessなどの低電力広域ネットワーク (LPWAN) や、NB-IoTやLTE-Mなどのセルラー固有のLPWANに見られます。

サービスおよびアプリケーション層では、クラウド ルーター、スマートフォン、AI、MLを使用して各ノードからデータを集中的に収集し、短期および長期の運用と保守のためのデータの分析と管理を行います。IoTプロトコルは、低遅延、エネルギー効率、ローカライズされた通信を実現する軽量データ処理用に開発されました。ロボット工学で使用されるデータプロトコルには次のようなものがある。 翻訳、CoAP、XMPP、IPv6、UDP、DTLS、AMQP、uLP、LLAPです。 ¹ このレイヤーには、このすべてのデータをサポートおよび追跡するためのインフラストラクチャも含まれます。これは、IoTビジネス クラウド サービス、エンタープライズ リソース プランニング ソフトウェア、ビッグ データ サービス、ロボット プラットフォーム サポートによる自動化プロセスを円滑に進めるために非常に重要です。このミドルウェア (IaaS、PaaS、SaaS) は、IIoTをより容易に導入するためのサポート プラットフォームを提供します。

図1 : IIoTアプリケーションで使用される製品とサービスの内訳

AI/MLロボットを産業オートメーションに導入

データ レートが高く、センサー ノードの数が多いため、IoRTシステムでは膨大な量のデータを処理する必要があります。機械学習アルゴリズムは、コンピューターにデータから学習する能力を与えるという本来の能力を備えているため、このニッチな分野に独自に貢献できます。抽象化レイヤーにより、直接的なプログラミングのみに応答するのではなく、データ駆動型の予測が可能になります。これにより、部品やデバイスのライフサイクルの予測メンテナンスに応用できる、より複雑で長期的な処理が可能になります。MLを統合したロボットアプリケーションには次のものがあります:²

•  ロボットビジョン


•  ロボットナビゲーション


•  フィールドロボット


•  ヒューマノイドロボット


•  脚を使った移動


•  車両ダイナミクスのモデリング


•  医療および手術ロボット


•  オフロード不整地移動ロボットナビゲーション

産業オートメーションにおける機械学習: 動的環境におけるロボットの相互作用を修正

従来のロボットは、ロボットの位置を事前に設定し、直接プログラミングすることで、予測可能な結果をもたらす静的な環境向けに設計されていました。しかし、ロボットが別の動的オブジェクトと相互作用し、視覚または感覚のフィードバックに基づいて位置を予測する必要がある場合、新たな課題が発生します。この環境に対応するロボットをプログラミングするためのさまざまなアプローチがあり、 模倣学習 や 強化学習などがあります。³ 模倣学習では、ロボットは以前の動きや環境とのやり取りからのフィードバックに基づいて、最適な動き方を判断できます。

運動感覚教育では、ロボットの手動動作を記録してログに記録し、フィードバックと学習に利用することができます。ロボットは、遠隔操作による遠隔制御により、地理的に離れた場所にいるオペレーターと模倣学習を行うこともできます。遠隔操作の例としては、火星探査車や遠隔医療手術などが挙げられます。この場合、ロボットは、センサー/ビデオ フィードバック (スナップショット、モーション/位置検出など) を通じて手動位置を学習することと、コントローラー (触覚フィードバック、ジョイスティック、拡張グローブなど) から取得した追加情報の両方からデータを取得できます。

強化学習では、ロボットはタスクを達成するための大まかなプログラムから始め、環境からの肯定的および否定的なフィードバックに基づいて自己改善を行うことができます。この場合、ロボットは、間接的な目標（ジャンプ、素早い動きなど）のみで、これまで示されていなかった新しいタスクを学習できます。

産業分野における機械学習の応用

多くの産業用アプリケーションでは、動作に関してほとんど変化や自由度を持たずに、反復的なタスクを実行することだけが求められます。多くの場合、人間とロボットが特定のタスクの事前に指定された部分を完了することで、人間とロボットの協力を実現できます。IIoTの将来 には、安全なワイヤレス接続を介してリモートで監視できる、完全に自動化された工場の使用も含まれます。これら2つの工場は、AIとMLによる最適化から大きな恩恵を受けています。

マシン ビジョン アプリケーションは、 ピクセル ベース または 機能ベース のアプローチを介して目視検査を実行できます。このアプローチでは、ピクセルを操作して傷、表面粗さ、気泡などの欠陥に関する情報を取得するか、一般的な機能を使用して合否検査を行います。どちらの場合でも、適切な機械学習アルゴリズム (決定木など) を採用して、障害検出だけでなく、個々の部品の障害を正確に分類できるように分類器をトレーニングすることができます。

ピックアンドプレース マシンは、特徴抽出とリアルタイムのオブジェクト認識、および試行錯誤の実験に基づいて把持位置を予測するための追加の学習アルゴリズムのためにマシン ビジョンに大きく依存しています。この場合、物体認識の考慮だけでなく、ベルトコンベア上の物体を掴むための高速な処理時間も求められます。石油・ガス業界では、ロボットは過酷な環境で危険な機器を操作するために人間の労力を費やす必要がないため、非常に有用です。たとえば、無人水中ロボットは、沖合掘削装置の海底坑口の目視検査に活用されています。石油およびガスのアプリケーションでは、遠隔検査と遠隔操作を組み込むことで、従来は人間が必要だった機器の検査と保守が可能になります。

モバイル配送と動作は、動的な環境での衝突を防ぐためのディープラーニング アルゴリズムを使用して、施設内で資材を往復させるためにも活用できます。同時位置検出およびマッピングアルゴリズムは、 自動誘導車両 (AGV) および自律移動ロボット (AMR) (図2) 内の環境のリアルタイム3Dマッピングをサポートできます。AGVとAMRの両方をリアルタイム ロケーション システムと連携して使用すると、工場現場での資産管理が簡素化され、自動化されます。

図2: AMRとAGVは、倉庫や工場で材料を迅速に輸送し、プロセスを合理化するために使用されてきました。

AIとMLアルゴリズムによるプラントの予測保守と自動制御

従来、産業機器のメンテナンスは標準的なスケジュールと慣行に基づいて行われてきました。IIoTベースのシステムでは、IWSNを通じてすべてのマシンを動的に評価することで、プラントのメンテナンス、修理、交換のスケジュールが不要になります。これにより、工場のダウンタイムのリスクが排除され、不要な定期検査の追加コストも削減されます。たとえば、これを石油・ガス精製所に適用すると、人間の介入なしに定期的に機器を調査したり、振動解析を通じて大型モーターなどの産業機器の可動部品を定期的に評価したりすることができます。これらの分析を通じて、ロボット機器自体を評価し、保守することができます。長期間にわたって収集された膨大なデータにより、あらゆる機械の劣化プロセスをきめ細かく把握し、学習および予測する機能が可能になります。使用履歴、残存耐用年数、分類モデル、センサー データなどの情報はすべて、産業予測保守にとって重要です。

ロボット工学におけるAI/MLのメリット

ディープラーニング アルゴリズムは、IIoTの将来に大きく統合されます。工場全体の長期運用だけでなく、日常業務の円滑化のための学習アルゴリズムを使用しなければ、完全に自動化された工場フロアは実現できません。ロボット工学におけるAI/MLのアプリケーションは数多くあり、そのすべてが特定の産業ユースケース向けに追跡される特定のアルゴリズムとデータについて非常に詳細に説明しています。ワイヤレス テクノロジーとAI処理は、複雑な産業オートメーション アプリケーションにおいて本質的に結びついています。

参考文献

1. PP Ray、「ロボットのインターネット：概念、技術、課題」、IEEE Access、第4巻、pp. 9,489–9,500、2016年、doi: 10.1109/ACCESS.2017.2647747。
2. Mosavi A.、Varkonyi A.「機械学習とロボット学習の最適化の統合」『最近のグローバル研究と教育：技術的課題』349～355ページ。Springer International Publishing、2017年。
3. Kormushev, P.、Calinon, S.、Caldwell, DGロボット工学における強化学習：アプリケーションと現実世界の課題。ロボティクス2、122–148 (2013）。
4. Romeo, L.; Petitti, A.; Marani, R.; Milella, A. スマート ドメインにおけるロボットのインターネット: アプリケーションと課題。センサー2020、20、3355。
5. C. Heyer、「人間とロボットのインタラクションと将来の産業用ロボットのアプリケーション」、2010 IEEE/RSJ国際インテリジェントロボットおよびシステム会議、台北、2010年、pp. 4,749–4,754、doi: 10.1109/IROS.2010.5651294。
6. https://www.arrow.com/family/arrow-iot-industrial。