El sector industrial utiliza desde hace tiempo plataformas robóticas para tareas como la manipulación de materiales, la fabricación de productos y la gestión de inventarios. Hoy, los robots móviles autónomos (AMR), los robots colaborativos (cobots) y las líneas avanzadas de montaje e inspección aprovechan la inteligencia artificial (IA) para alcanzar nuevos niveles de autonomía operativa como parte de un nuevo ámbito conocido como “Physical AI”.
Históricamente, muchas cargas de trabajo de IA se han asociado con el cloud computing, debido a su amplia disponibilidad de recursos y a las limitaciones tradicionales de potencia y rendimiento del hardware embedded. A medida que han avanzado las tareas impulsadas por IA, desde el reconocimiento óptico de caracteres (OCR) hasta la detección automatizada de defectos, por ejemplo, los requisitos de computación han seguido aumentando.
Sin embargo, las plataformas de procesamiento modernas están permitiendo ejecutar muchas cargas de trabajo sofisticadas de IA directamente en el hardware edge. Como resultado, estas tecnologías están cambiando la forma en que los ingenieros abordan el diseño de la robótica industrial.
Las ventajas operativas de la inteligencia local
Aunque el cloud computing ofrece amplios recursos para el procesamiento de IA, puede plantear algunos problemas para la robótica industrial:
El primero es la latencia de procesamiento, que combina la latencia de red, la programación de tareas dentro de los servidores cloud y el tiempo de procesamiento en la nube. Las operaciones de alta velocidad y altamente coordinadas —por ejemplo, la inspección robotizada de productos y su rechazo en líneas de montaje— dependen de tiempos estrictos para maximizar el throughput. Una latencia variable reduce el determinismo y, por tanto, la eficiencia operativa, ya que las velocidades deben reducirse para compensarla.
El procesamiento no local también puede suponer obstáculos para la continuidad operativa. Durante las interrupciones de red, los equipos dependientes del cloud pueden experimentar una degradación de sus funcionalidades cuando los recursos de procesamiento dejan de estar disponibles. Si bien el tiempo de inactividad resultante puede ser costoso para los fabricantes, las interrupciones de red también pueden afectar a la seguridad del personal que trabaja junto a cobots y AMR si se interrumpen procesos sensoriales clave.
Además, el ancho de banda de red genera preocupaciones relacionadas con los costes y el throughput en casos de uso con grandes volúmenes de datos, como cobots de inspección de calidad equipados con cámaras de alta resolución. Asimismo, el envío de datos sin procesar fuera del dispositivo para su análisis puede aumentar los riesgos para la privacidad y la seguridad de los datos. Al trasladar la inteligencia directamente al dispositivo, los desarrolladores de sistemas robóticos pueden abordar estos problemas asociados al procesamiento no local:
Procesar los datos cerca de su fuente suele traducirse en una menor latencia. Los desarrolladores también pueden aumentar el determinismo utilizando combinaciones de hardware y software diseñadas para operar en tiempo real, habilitando los elevados niveles de coordinación necesarios para los sistemas robóticos de las líneas de montaje.
Del mismo modo, trasladar todos los procesos esenciales directamente a las plataformas robóticas ayuda a garantizar el funcionamiento sin conexión de red, reduciendo el riesgo de tiempo de inactividad y de degradación del rendimiento que pueden afectar a la productividad o a la seguridad de los robots. El procesamiento edge también elimina las limitaciones de coste y ancho de banda asociadas al análisis de datos basado en el cloud, al tiempo que mejora considerablemente la privacidad y la seguridad de los datos, ya que no es necesario que los datos sin procesar abandonen el dispositivo.
Para los equipos de robótica industrial, un enfoque edge-first aumenta el foco de la ingeniería de hardware en los requisitos de procesamiento e interfaces de los sistemas de Physical AI. El desarrollo se complica aún más por la implementación de software de aplicación avanzado y workflows de despliegue de Edge AI. Aun así, la inteligencia integrada ofrece una vía hacia una mayor autonomía robótica.
Cómo la infraestructura cloud respalda la robótica industrial
Aunque el procesamiento edge ofrece numerosas ventajas para las plataformas individuales de robótica industrial, la infraestructura cloud sigue desempeñando un papel importante para respaldar las operaciones a escala de despliegue:
La gestión de flotas basada en el cloud permite a los equipos coordinar tanto las operaciones diarias como las programadas en un gran número de robots. En la práctica, esto convierte sistemas independientes en una red escalable que funciona como una sola unidad, reduciendo cuellos de botella operativos como los AMR que bloquean mutuamente sus rutas en espacios compartidos.
El cloud también proporciona un espacio centralizado para el control de supervisión, la observabilidad mediante la telemetría de los dispositivos y la visualización de insights operativos; por ejemplo, las tasas de detección de defectos y el throughput de fabricación en una línea de montaje, en lugar de los datos sin procesar. Más importante aún, las plataformas cloud centralizan tareas esenciales de software lifecycle management, como las actualizaciones over-the-air (OTA), que mejoran el rendimiento de los robots y permiten corregir vulnerabilidades de seguridad.
Combinar la inteligencia local con plataformas cloud de nivel superior es una estrategia eficaz para la robótica industrial moderna. Sin embargo, este proceso puede ser complejo, por lo que los equipos de robótica se benefician de soluciones production-ready capaces de acelerar el desarrollo de hardware y software dentro de un framework edge-to-cloud unificado.
Soluciones escalables para crear despliegues robóticos edge-to-cloud
SECO ofrece un ecosistema completo para desarrollar sistemas robóticos destinados a operaciones industriales a escala de despliegue. Sin embargo, uno de los principales retos para los ingenieros es encontrar plataformas de procesamiento capaces de soportar cargas de trabajo avanzadas de Edge AI. SECO responde a este reto con sus system-on-modules (SOM) SOM-SMARC-Dragonwing-IQ8, SOM-COMe-CT6-Dragonwing-IQ-X y SOM-SMARC-QCS6490.
Basadas respectivamente en los procesadores Qualcomm Dragonwing IQ8, Dragonwing IQ-X y Dragonwing QCS6490, estas plataformas edge altamente integradas reducen la dependencia operativa del cloud al permitir que tareas exigentes de IA se ejecuten localmente. Esto se consigue mediante procesamiento heterogéneo, que incluye:
- Múltiples núcleos de CPU para el procesamiento avanzado de aplicaciones, la localización y el mapeo simultáneos (SLAM) y las comunicaciones paralelas entre periféricos robóticos, como los subsistemas de control de motores y de sensorización.
- Una GPU integrada para tareas de preprocesamiento de imágenes y renderizado gráfico, por ejemplo durante la inspección de productos o al gestionar interfaces hombre-máquina (HMI).
- Aceleración de IA dedicada para la ejecución local de detección de personas, reconocimiento de objetos, clasificación de sonidos y otras tareas esenciales para entornos con cobots.
SECO ofrece estos procesadores avanzados en computer-on-modules (COM) basados en estándares abiertos, simplificando la integración y la fabricación a escala, al tiempo que proporciona interfaces industriales para aplicaciones robóticas. Una vez que los ingenieros han desarrollado un carrier system adecuado, el soporte de larga duración de los SOM y su interoperabilidad con COM del mismo estándar reducen el vendor lock-in y minimizan los esfuerzos de rediseño si posteriormente fuera necesario recurrir a soluciones alternativas.
Junto a estas plataformas de hardware, SECO Clea proporciona una capa fundamental segura y de grado industrial para despliegues edge-to-cloud escalables. Clea OS ofrece un framework de software modular y altamente personalizable basado en Yocto Linux, que permite a los desarrolladores aprovechar plenamente el procesamiento heterogéneo y, al mismo tiempo, omitir componentes de software innecesarios, maximizando el potencial de los recursos edge.
Otros módulos de Clea ayudan a los desarrolladores a crear la capa cloud para la gestión de flotas, la orquestación de datos y las actualizaciones OTA seguras que respaldan las operaciones a largo plazo de la robótica industrial a escala de despliegue. Además, SECO App Hub y Clea Studio AI proporcionan modelos de IA verificados y entornos de entrenamiento para acelerar el desarrollo de la IA.
Los avances en Edge AI están transformando la robótica industrial, pero SECO ofrece las soluciones y la experiencia necesarias para ayudar a los ingenieros a aprovechar al máximo las ventajas del hardware edge al desarrollar sistemas de Physical AI. Para obtener más información, habla con nuestros expertos y no te pierdas la próxima entrega de esta serie, en la que exploraremos la evolución de la Physical AI y la robótica industrial.