Back to top

Prestazioni degli AGV: approfondimento sulle reti neurali

03 Nov 2021

Prestazioni degli AGV: approfondimento sulle reti neurali

Apprendimento automatico, reti neurali: paroloni della logistica moderna, ma cosa significano davvero? Serve un esperto che ci spieghi. Paul Hamblin, redattore della rivista Logistics Business Magazine, ne ha incontrato uno.

Kollmorgen, specialista di AGV e robot mobili, misura le prestazioni e il comportamento dei sistemi AGV sia a livello di sistema che di singoli AGV a bordo. Raccoglie informazioni su motorizzazioni, scanner laser, localizzazione, traffico e interferenza di ostacoli per identificare tendenze e modelli che contribuiscano a migliorare i prodotti e le configurazioni di sistema.

Le misurazioni possono riguardare ad esempio alti e bassi nella produttività o tendenze di utilizzo giornaliero, e i dati possono essere usati per ottimizzare i percorsi, incrementare i rendimenti e calcolare uno sfruttamento più intelligente delle risorse. Per gli utenti finali questo significa costi ridotti e maggiori profitti. I dati raccolti possono inoltre fornire indizi importanti in merito a processi esterni che potrebbero disturbare le prestazioni degli AGV. Esempi possono essere pedoni presenti sulla traiettoria degli AGV o carrelli elevatori manuali in movimento in aree pianificate in origine per l'uso principale da parte di AGV.

Ma come è possibile tutto questo? Samuel Alexandersson, Manager Product Management AGVs presso Kollmorgen, sarà la nostra guida.

“Una rete neurale artificale è un modello di calcolo basato genericamente sulla struttura del cervello umano,” inizia così. “Le cellule del nostro cervello, dette neuroni, sono connesse attraverso un'intricata rete di nervi lungo i quali viaggiano i segnali elettrochimici. Più semplicemente, possiamo dire che se i pesi dei segnali di ingresso sono sufficientemente robusti, il neurone si innesca e il segnale prosegue al successivo insieme di cellule a cui è collegato il neurone.

“In questo modo la struttura delle connessioni tra tutti i diversi neuroni del nostro cervello determina la modalità di propagazione di un segnale, e quando impariamo qualcosa di nuovo, quello che accade davvero nel nostro cervello è una nuova strutturazione delle connessioni.

“In una rete neurale artificiale, i segnali sono digitali e non elettrochimici e la robustezza delle connessioni è memorizzata sotto forma di pesi. Inizialmente, questi pesi hanno un valore casuale, cioè quando immettiamo un input nella rete, viene emesso solo un output casuale senza significato. Ma, nello stesso modo in cui noi umani impariamo dall'esperienza, possiamo fare in modo che il modello impari dall'esperienza sotto forma di dati.

“Ciascun punto di dati è un input e un output previsto e questi abbinamenti sono esempi da cui imparare. Usando questi cosiddetti algoritmi di apprendimento automatico per regolare gradualmente i pesi, l'output del modello si avvicina sempre di più all'output previsto, in modo da imparare a fare previsioni.

“Ad esempio, se dobbiamo insegnare a una macchina a distinguere tra un cane e un gatto, dobbiamo costruire un set di dati con immagini (input), dove ciascuna immagine ha un'etichetta che indica se si tratta di un cane o di un gatto (gli output corretti). Dopo aver fatto esercitare la rete neurale sul set di dati, possiamo immettere una nuova immagine, e anche se la rete non ha mai visto prima questa immagine, ci dirà se si tratta di un cane o di un gatto”.

Può farci qualche esempio di come si possono generare informazioni da dati in un contesto logistico?

“Progettare un sistema AGV può essere un task complesso che richiede notevole competenza ed esperienza,” risponde. “Quando si progetta ad esempio una rete stradale, si devono configurare correttamente decine di migliaia di singole tratte. È certo facile commettere un errore e spesso gli errori non vengono individuati finché non si esegue il sistema in modalità di simulazione.

“Pertanto, stiamo attualmente sviluppando strumenti in grado di analizzare direttamente la rete stradale, in modo che l'utente riceva subito un feedback. Nell'ambito di test AB interni, abbiamo osservato un miglioramento di 5 volte nel tempo necessario agli utenti per individuare la causa all'origine di una configurazione errata.

“Un'indicazione più marginale dell'impatto che possiamo avere con un approccio basato sui dati riguarda un caso di assistenza in cui un problema che un tecnico tentava di risolvere da ore con metodi convenzionali è stato risolto in 10 minuti con un prototipo che analizza automaticamente i dati di configurazione”.

Ed eccoci, come sempre, alla vecchia storia dei cani e dei gatti.

Autore: Paul Hamblin, Logistics Business Magazine

Blog Taxonomy Helper

Aerospaziale e Difesa
Applicazioni
Business
Embedded Motion
Engineering
Fieldbus
Food Regulations
Generale
I veicoli a guida automatica
Installazioni - consigli
Interconnectivity
La nostra storia
Medicale
Oil and Gas
Packaging
Partnerships universitarie
Robotica
Tecnologia