Il settore industriale utilizza da tempo piattaforme robotiche per attività come la movimentazione dei materiali, la produzione e la gestione delle scorte. Oggi, robot mobili autonomi (AMR), robot collaborativi (cobot) e linee avanzate di assemblaggio e ispezione sfruttano l’intelligenza artificiale (AI) per raggiungere nuovi livelli di autonomia operativa in un nuovo ambito noto come “Physical AI”.
Storicamente, molti workload di AI sono stati associati al cloud computing, grazie all’ampia disponibilità di risorse computazionali e ai tradizionali vincoli di potenza e prestazioni dell’hardware embedded. Con l’evoluzione delle attività basate sull’AI, dal riconoscimento ottico dei caratteri (OCR) al rilevamento automatizzato dei difetti, ad esempio, i requisiti di calcolo hanno continuato ad aumentare.
Tuttavia, le moderne piattaforme di elaborazione consentono oggi di eseguire molti workload AI sofisticati direttamente sull’hardware edge. Di conseguenza, queste tecnologie stanno cambiando il modo in cui gli ingegneri affrontano la progettazione della robotica industriale.
I vantaggi operativi dell’intelligenza locale
Sebbene il cloud computing offra ampie risorse per l’elaborazione AI, può introdurre alcune sfide nella robotica industriale:
La prima riguarda la latenza di elaborazione, che combina la latenza di rete, la schedulazione delle attività all’interno dei server cloud e il tempo di elaborazione nel cloud. Operazioni ad alta velocità e fortemente coordinate, come l’ispezione robotizzata dei prodotti e, se non conformi, l'eventuale rimozione sulle linee di assemblaggio, dipendono da tempistiche rigorose per massimizzare il throughput. Una latenza variabile riduce il determinismo e, di conseguenza, l’efficienza operativa, poiché le velocità devono essere ridotte per compensare.
L’elaborazione non locale può inoltre creare ostacoli alla continuità operativa. Durante le interruzioni di rete, le apparecchiature che dipendono dal cloud possono subire un degrado delle funzionalità quando le risorse di elaborazione diventano indisponibili. Se da un lato i conseguenti tempi di fermo possono comportare costi significativi per i produttori, dall’altro le interruzioni di rete possono incidere anche sulla sicurezza del personale che lavora a fianco di cobot e AMR, qualora vengano interrotti processi sensoriali essenziali.
Inoltre, la larghezza di banda di rete può generare criticità in termini di costi e throughput nei casi d’uso ad alta intensità di dati, come i cobot per l’ispezione della qualità dotati di telecamere ad alta risoluzione. Inoltre, l’invio di dati grezzi al di fuori del dispositivo per l’analisi può aumentare i rischi per la privacy e la sicurezza dei dati.
Spostando l’intelligenza direttamente sul dispositivo, gli sviluppatori di sistemi robotici possono affrontare queste criticità legate all’elaborazione non locale:
L’elaborazione dei dati vicino alla loro origine comporta generalmente una latenza inferiore. Gli sviluppatori possono inoltre aumentare il determinismo utilizzando combinazioni hardware-software progettate per il funzionamento in tempo reale, consentendo gli elevati livelli di coordinamento richiesti dai sistemi robotici nelle linee di assemblaggio.
Allo stesso modo, spostare tutti i processi essenziali direttamente sulle piattaforme robotiche contribuisce a supportare il funzionamento anche in assenza di rete, riducendo il rischio di tempi di fermo e degrado delle prestazioni che possono influire sulla produttività o sulla sicurezza dei robot. L’elaborazione edge elimina inoltre i vincoli di costo e larghezza di banda associati all’analisi dei dati basata sul cloud, migliorando significativamente privacy e sicurezza, poiché i dati grezzi non devono lasciare il dispositivo.
Per i team che sviluppano soluzioni di robotica industriale, un approccio edge-first aumenta l’attenzione dell’ingegneria hardware sui requisiti di elaborazione e interfacciamento dei sistemi di Physical AI. Lo sviluppo è ulteriormente reso più complesso dall’implementazione di software applicativo avanzato e di workflow per il deployment dell’Edge AI. Tuttavia, l’intelligenza a bordo offre un percorso verso una maggiore autonomia dei sistemi robotici.
Come l’infrastruttura cloud supporta la robotica industriale
Sebbene l’elaborazione edge offra numerosi vantaggi per le singole piattaforme di robotica industriale, l’infrastruttura cloud continua a svolgere un ruolo importante nel supportare le operazioni su scala di deployment:
La gestione della flotta basata sul cloud consente ai team di coordinare sia le operazioni quotidiane sia quelle programmate su un gran numero di robot. Di fatto, questo trasforma sistemi discreti in una rete scalabile che opera come un’unica entità, riducendo i colli di bottiglia operativi come gli AMR che si bloccano reciprocamente lungo i percorsi negli spazi condivisi.
Il cloud offre inoltre uno spazio centralizzato per il controllo di supervisione, l’osservabilità tramite telemetria dei dispositivi e la visualizzazione di insight operativi, ad esempio i tassi di rilevamento dei difetti e il throughput produttivo su una linea di assemblaggio, anziché i dati grezzi. Soprattutto, le piattaforme cloud centralizzano attività essenziali di software lifecycle management, come gli aggiornamenti over-the-air (OTA), che migliorano le prestazioni dei robot e consentono di intervenire sulle vulnerabilità di sicurezza.
Combinare l’intelligenza locale con piattaforme cloud centralizzate rappresenta una strategia efficace per la moderna robotica industriale. Tuttavia, questo processo può essere complesso, per cui i team di robotica possono beneficiare di soluzioni production-ready in grado di accelerare lo sviluppo hardware e software all’interno di un framework edge-to-cloud unificato.
Soluzioni scalabili per realizzare deployment robotici edge-to-cloud
SECO offre un ecosistema completo per realizzare sistemi robotici destinati a operazioni industriali su scala di deployment. Tuttavia, una sfida centrale per gli ingegneri consiste nell’individuare piattaforme di elaborazione in grado di supportare workload Edge AI avanzati. SECO risponde a questa esigenza con i system-on-module (SOM) SOM-SMARC-Dragonwing-IQ8, SOM-COMe-CT6-Dragonwing-IQ-X e SOM-SMARC-QCS6490.
Basate rispettivamente sui processori Qualcomm Dragonwing IQ8, Dragonwing IQ-X e Dragonwing QCS6490, queste piattaforme edge altamente integrate riducono la dipendenza operativa dal cloud consentendo l’esecuzione locale di attività AI complesse. Ciò è reso possibile dall’elaborazione eterogenea, che comprende:
- Più core CPU per l’elaborazione avanzata delle applicazioni, la localizzazione e mappatura simultanee (SLAM) e le comunicazioni parallele tra periferiche robotiche, come i sottosistemi di controllo motore e sensing.
- Una GPU integrata per attività di pre-elaborazione delle immagini e rendering grafico, ad esempio durante l’ispezione dei prodotti o per la gestione delle interfacce uomo-macchina (HMI).
- Accelerazione AI dedicata all’esecuzione locale del rilevamento delle persone, del riconoscimento degli oggetti, della classificazione dei suoni e di altre attività essenziali negli ambienti con cobot.
SECO offre questi processori avanzati su computer-on-module (COM) basati su standard aperti, semplificando l’integrazione e la produzione su larga scala e mettendo al contempo a disposizione interfacce industriali a supporto delle applicazioni robotiche. Una volta realizzato un carrier system adeguato, il supporto a lungo termine dei SOM e la loro interoperabilità con COM conformi allo stesso standard riducono il vendor lock-in e minimizzano gli interventi di redesign qualora, in futuro, fosse necessario ricorrere a soluzioni alternative.
A complemento di queste piattaforme hardware, SECO Clea offre un foundation layer sicuro e industrial-grade per deployment edge-to-cloud scalabili. Clea OS mette a disposizione un framework software modulare e altamente personalizzabile basato su Yocto Linux, consentendo agli sviluppatori di sfruttare appieno l’elaborazione eterogenea e, allo stesso tempo, di escludere i componenti software non necessari, massimizzando il potenziale delle risorse edge.
Ulteriori moduli Clea aiutano gli sviluppatori a costruire il layer cloud per la gestione delle flotte, l’orchestrazione dei dati e gli aggiornamenti OTA sicuri necessari per supportare nel lungo periodo operazioni di robotica industriale su scala di deployment. Inoltre, SECO App Hub e Clea Studio AI mettono a disposizione modelli AI verificati e ambienti di training per accelerare lo sviluppo dell’AI.
I progressi nell’Edge AI stanno trasformando la robotica industriale, ma SECO mette a disposizione soluzioni e competenze per aiutare gli ingegneri a sfruttare appieno i vantaggi dell’hardware edge nella realizzazione di sistemi di Physical AI. Per saperne di più, parla con i nostri esperti e continua a seguirci per il prossimo approfondimento di questa serie, dedicato all’evoluzione della Physical AI e della robotica industriale.