AGV、AMR、自動フォークリフトは、ロジスティクスおよびマテリアルハンドリング業界に変革をもたらしています。配送センターでは、より迅速な配送時間とともに需要が高まっているため、自動化はもはや将来を見据えた選択肢ではなく、運用上の必要不可欠なものとなっています。これらのモバイルロボットプラットフォームは、商品のピッキング、分類、輸送方法を再構築し、倉庫の生産性を大幅に向上させています。
この変革の中心にあるのは、ロボット工学だけでなく、インテリジェントなエッジコンピューティングです。知覚センサーからのリアルタイムデータを処理し、複雑なAIモデルを実行し、動的な倉庫環境で確実に動作する能力は、スケーラブルな自律性のために不可欠です。
このケーススタディでは、ある大手ロボット工学およびテクノロジー企業が、AI搭載のモビリティソリューションを市場に投入するために、Premioの頑丈なRCO-6000-RPLシリーズを自社のAMRおよびAGVプラットフォームにレトロフィットすることに成功した経緯を探ります。このパートナーシップは、産業オートメーションの厳しい現実に合わせて設計されたエッジコンピューティングを原動力として、プロトタイプから生産への飛躍を意味します。
会社概要
Eコマースの需要の高まり、処理能力の圧力の増大、人手不足に対応して、このロボット会社は、柔軟なモバイルロボットソリューションを設計しました。自律型フォークリフト、トート検索システム、ハイブリッドロボットプラットフォームのポートフォリオにより、自律型モバイルロボットのフリートを展開することで、サプライチェーンにおける反復的で労働集約的なタスクを自動化することをミッションとしています。
彼らのソフトウェア定義のロボットアーキテクチャは、初期段階のシミュレーションや試験で実証されていましたが、商用展開のためにソリューションを拡張するには、リアルタイムのエッジ推論、汎用性の高い接続性、およびミッションクリティカルな信頼性をサポートできるハードウェア基盤が必要でした。
課題
ソフトウェアプロトタイプから生産準備の整ったロボットシステムへの移行には、いくつかの技術的な複雑さが伴いました。同社の最初の概念実証は、ラボでのテストには十分ですが、信頼性と稼働時間が重要となる運用環境には不向きな消費者向けハードウェアに基づいていました。同社のエンジニアリングチームは、以下の主要な課題に直面しました。
リアルタイムAI推論の要件
完全な自律動作のためには、ロボットシステムは高度なAIモデルを使用して現実世界のデータを継続的に処理および解釈する必要があります。これには、パレット、障害物、作業員、車線標識などをリアルタイムで検出するための畳み込みニューラルネットワーク（CNN）などの視覚認識のための深層学習アルゴリズムが含まれます。従来のクラウドコンピューティングインフラストラクチャはこれらの集中的なワークロードを処理するために利用できますが、ミッションクリティカルでレイテンシに敏感な展開では実現不可能です。
ロボット会社が当初の概念実証で高性能GPUを利用していたものの、密閉されたモバイルプラットフォームでの持続的な推論サイクルに必要な頑丈な熱設計が欠けていました。さらに、消費者向けハードウェアの短いライフサイクルと限られたサポートは、スケーラビリティと長期的な持続可能性にリスクをもたらしていました。
高密度接続の需要
自律型ロボットは、最大8台のPoE（Power-Over-Ethernet）ビジョンカメラで設計され、360度の状況認識を提供し、物体検出、環境マッピングなどを可能にしました。これほど多くのビジョンカメラを接続することは、複数のセンサーを同時に接続して必要なビデオデータを配信する必要があるため、大きな課題となりました。市販のシステムには、通常、必要な数のPoEポートのサポートが不足しており、場合によってはPoEをまったくサポートできないこともありました。複数のPoEカメラを統合してサポートするというこの課題は、かなりの障害となりました。
産業用およびモバイル展開の難しさ
高速な配送センターや広大な倉庫内での運用は、従来のコンピューティングシステムが対応できる範囲を超える環境ストレスを伴いました。AGVとAMRは継続的な振動と方向転換を経験し、厳格な倉庫環境に耐えることが求められます。このロボット会社は、これらの厳しい条件で動作できるだけでなく、自律型ロボット自体に実装できるエッジコンピューターを必要としていました。