フィールド AI が構造化されていない自律性をどのように克服するか

現在、ロボット工学にとって最大の課題の 1 つは、構造化されていない環境での実用的な自律動作です。 つまり、ロボットがこれまで行ったことのない場所や、ロボットが望むほど馴染みのない場所で役立つことを行うことです。 ロボットは予測可能性を重視して機能するため、ロボットをどこにどのように適切に配置できるかについて厄介な制限が課せられています。

しかし、ここ数年、DARPA が提起したいくつかの重要なロボット工学の課題のおかげで、この状況は変わり始めています。 DARPA Subterranean Challenge は 2018 年から 2021 年まで実施され、移動ロボットが一連の構造化されていない地下環境を通過しました。 そして、現在進行中の DARPA RACER プログラムは、自動運転車にオフロードの長距離走行を任務とさせています。 これらのプログラムを通じていくつかの非常に優れたテクノロジーが開発されましたが、この最先端の研究と現実世界の応用の間には常にギャップがあります。

現在、NASA、DARPA、Google DeepMind、Amazon、Cruise などの経験豊富なロボット工学者を含む、これらの課題に取り組んでいる多くの人々が、学んだことすべてを応用して現実世界の実践的な自律性を実現しています。というスタートアップの移動ロボット向け フィールドAI。

Field AI は、以前 NASA JPL の航空モビリティ グループのリーダーを務めていた Ali Agha によって共同設立されました。 JPL 在籍中、アガは Team CoSTAR を率いました。 DARPAサブタレニアンチャレンジアーバンサーキットで優勝。 アガ氏は、次の研究の主任研究者でもあります。 DARPA レーサー、最初は JPL で、現在はフィールド AI で継続しています。 「フィールド AI は単なるスタートアップではありません」と Agha 氏は語ります。 「これは、AI とその現場での導入における数十年の経験の集大成です。」

非構造化環境では、状況が常に変化するため、静的なマップに依存するロボットに大混乱が生じる可能性があります。

Field AI の「フィールド」の部分が、Agha のスタートアップをユニークなものにしています。 Field AI のソフトウェアを実行するロボットは、以前のモデル、GPS、人間の介入に依存せずに、構造化されていない、マッピングされていない環境を処理できます。 明らかに、この種の機能は、地図がなく、GPS も存在せず、人間の直接介入が不可能な場所にロボットを派遣する NASA と JPL にとって興味深いものでした (そして今も) 。

しかし、DARPA SubT は、同様の環境が地球上にも存在することを実証しました。 たとえば、鉱山、自然の洞窟、都市の地下はすべて、ロボット (人間にとっても) が移動するのが非常に困難です。 これらは最も極端な例にすぎません。建物内や荒野で動作する必要があるロボットも、自分がどこにいるのか、どこへ行くのか、周囲の環境をどのように移動するかを理解するという同様の課題を抱えています。

事前の地図も GPS も道路もない状態で、自動運転車が数キロメートルの砂漠を走行します。フィールドAI

ロボットが現場で動作することには困難があるにもかかわらず、これはフィールド AI が対処したいと考えている大きなチャンスです。 ロボットは、検査の場面でその価値をすでに証明しています。通常は、大規模な工業用地全体で何も問題が発生していないことを確認する必要がある場合や、部分的に完成した建物内の建設の進捗状況を追跡する必要がある場合です。 何かが台無しになった場合の結果は高くつくか危険であるか、あるいはその両方であるため、ここには多くの価値がありますが、タスクは反復的で時には危険を伴い、通常は人間の洞察力や創造性をそれほど必要としません。

本拠地としての未知の領域

アガ氏が説明するように、Field AI がこれらのサービスを提供する他のロボット企業と異なる点は、彼の会社が最初にロボットに行き先を指示する地図を持たずにこれらのタスクを実行したいと考えていることです。 言い換えれば、時間のかかるセットアッププロセスや人間による監視は不要で、ロボットは変化する新しい環境に適応できます。 実際、これが完全な自律性の意味です。人間の介入なしに、いつでもどこでも移動できるのです。 「当社の顧客は何もトレーニングする必要はありません」とアガ氏は言い、同社のビジョンを説明します。 「彼らは正確な地図を持っている必要はありません。 ボタンを 1 つ押すだけで、ロボットは環境の隅々まで探索します。」 この機能は、DARPA SubT の伝統が活かされるところです。競技中、DARPA は基本的に、「ここがコースへの扉です。 そこに何があるのか​​、そしてそれがどれほど大きいのかについては、何も語るつもりはありません。 全体を調べて、私たちが求めていた情報を返してください。」 Agha の Team CoSTAR は競技中にまさにそれを行い、Field AI はこの機能を商品化しています。

「当社のロボットの目標は、トレーニング時間を必要とせず、導入するだけで済むことです。 そうすれば、私たちはロボットから離れることができます。」 —Ali Agha、フィールド AI

これらの非構造化環境、特に建設環境に関するもう 1 つの厄介な点は、状況が常に変化しており、静的マップに依存するロボットに大混乱をもたらす可能性があることです。 「当社は、最小限の監督の下で、絶えず変化する建設現場にロボットを数日間放置できる唯一の企業ではないにしても、数少ない企業の 1 つです」とアガ氏は語ります。 「これらの現場は非常に複雑で、毎日新しいアイテム、新しい課題、予期せぬ出来事が発生します。 地面に置かれた建設資材、足場、フォークリフト、重機があちこちを動き回るなど、予測できることは何もありません。」

フィールドAI

この問題に対するフィールド AI のアプローチは、マッピングよりも環境の理解を重視することです。 アガ氏によると、フィールド AI は基本的に、センサー データを入力として使用して、物理世界の「フィールド基盤モデル」(FFM) を作成することに取り組んでいます。 FFM は、他の AI 企業が過去数年間に作成した言語、音楽、芸術の基礎モデルに似ていると考えることができます。FFM では、インターネットから大量のデータを取り込むことで、ドメイン内である程度の機能を実現できます。新しい状況ごとに特別なトレーニングが必要です。 その結果、フィールドAIのロボットは、 どうやって ただ動くのではなく、世界で動くこと どこ 移動すること。 「私たちは AI を主流のものとはまったく異なる視点で見ています」とアガ氏は説明します。 「私たちは非常に高度な確率モデリングを行っています。」 Field AI の IP には、より多くの技術的な詳細が含まれるだろうと Agha 氏は述べています。しかし、重要なのは、リアルタイムの世界モデリングは、その動作の前提条件ではなく、世界で動作する Field AI のロボットの副産物になるということです。 これにより、ロボットは高速、効率的、復元力が高くなります。

ロボットがほぼどこにでも確実に移動できるように使用できるフィールド基礎モデルを開発するには、フィールド AI が過去 1 年間世界中の産業現場や建設現場で収集してきた多くの実世界データが必要です。 明確にしておきますが、彼らは商業活動の一環としてデータを収集しています。これらは、Field AI がすでに獲得している有料の顧客です。 「こうした現場では、現場を一周して、検査する必要があるすべての対象物がどこにあるのかを地図にまとめるのに、従来は何週間もかかることがありました」とアガ氏は説明します。 「しかし、私たちのロボットの場合、私たちの目標は、トレーニング時間を必要とせずに、ただ導入するだけです。 そして、私たちはロボットから離れることができます。 このレベルの自律性により、私たちの顧客は何年も先のことだと思っていたため、検討すらしていなかった多くのユースケースが本当に可能になります。」 そして、そのユースケースは建設や検査、あるいはすでに自律型ロボットシステムが使われている他の分野だけではないとアガ氏は言う。 「これらのテクノロジーには計り知れない可能性が秘められています。」

このレベルの自律性に対する需要は明らかにありますが、アガ氏は、フィールド AI が 1 兆ドル市場を活用できるようにするパズルのもう 1 つのピースは、事実上どのプラットフォームでも同じことができるという事実であると述べています。 基本的に、Field AI はソフトウェア会社です。彼らは自社の自律性ソフトウェアと統合するセンサー ペイロードを製造していますが、そのペイロードですら、自動運転車に適したものからドローンが処理できるものまで、調整可能です。

へー、何か奇妙な理由で自律型ヒューマノイドが必要だと判断した場合、フィールド AI もそれを行うことができます。 アガ氏によると、ここでの多用途性は重要ですが、さらに重要なのは、より手頃な価格のプラットフォームに集中でき、もちろん各ロボットの設計の制約内で同じレベルの自律性能が期待できることです。 ソフトウェア スタック全体を制御し、高レベルの計画、意思決定、ミッション実行とモビリティを統合することで、比較的安価なロボットを活用できる可能性が、フィールド AI の商業的成功に最も大きな違いをもたらすだろうとアガ氏は言います。

同じ頭脳、多くの異なるロボット: Field AI チームの基礎モデルは、大型、小型、高価、および多少安価なロボットで使用できます。フィールドAI

フィールド AI はすでにその機能を拡張しており、DARPA RACER での最近の経験の一部に基づいて、数十キロメートルにわたるパイプラインを検査したり、太陽光発電施設全体に資材を輸送したりするロボットの導入に取り組んでいます。 収益が発生し、多額の資金が得られたことで、Field AI は次のような分野からも関心を集めています。 ビルゲイツ。 Field AI の RACER への参加は、Offroad Autonomy と呼ばれる連邦プロジェクトの一種の子会社の下で継続しており、その間、その商用側は、ヒューマノイドを含む考えられるすべてのプラットフォームで「数百」のサイトへの拡張を目標としています。