gli esempi

Competizioni tra robot, perché servono per l’Industry 4.0

Pubblicato il 03 Gen 2018

Francesco Amigoni

Politecnico di Milano, Dipartimento di Elettronica, Informazione e Bioingegneria

Andrea Bonarini

Politecnico di Milano, Dipartimento di Elettronica, Informazione e Bioingegneria

Giulio Fontana

Politecnico di Milano, Dipartimento di Elettronica, Informazione e Bioingegneria

Matteo Matteucci

Professore Associato, Docente di Artificial Neural Networks and Deep Learning, Politecnico di Milano

Viola Schiaffonati

Politecnico di Milano, Dipartimento di Elettronica, Informazione e Bioingegneria

AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
Competizioni tra robot, perché servono per l’Industry 4.0

La distanza che separa le competizioni tra robot dalla ricerca scientifica per valutarne le prestazioni è minore di quanto possa apparire a prima vista. Esiste infatti un particolare filone di ricerca nato intorno al concetto di benchmarking through competitions (benchmarking per mezzo di competizioni). I ricercatori coinvolti si dedicano cioè allo studio e alla progettazione di competizioni robotiche innovative, i cui test siano veri e propri benchmark scientifici. L’idea è quella di non perdere di vista gli aspetti spettacolari che rendono le competizioni tra robot gradite al pubblico, introducendo però modalità di definizione ed esecuzione dei test tali da trasformarli in benchmark. Si cerca in questo modo di coniugare gli aspetti migliori di due attività (le competizioni e il benchmarking) apparentemente assai distanti tra loro, e di sfruttare i già collaudati meccanismi delle competizioni tra robot autonomi come incubatrice per la nascita di metodologie innovative per il benchmarking di quegli stessi robot. In un altro articolo raccontiamo cosa è l’autonomia dei robot e perché è importante misurarla. Ora ci focalizziamo sul benchmarking fatto tramite le competizioni.

Questo lavoro sul benchmarking through competitions è stato portato avanti, in particolare, da due progetti di ricerca finanziati dalla Commissione Europea: RoCKIn (2013-2015) e RockEU2 (2016-2018). Dal primo è nata la RoCKIn Competition:  la prima benchmarking competition della storia della robotica. Di tale competizione si sono tenute due edizioni, a Tolosa (Francia) nel Novembre 2014 e a Lisbona (Portogallo) un anno dopo. La Rockin Competition comprendeva due filoni, dedicati rispettivamente alla robotica autonoma in ambito industriale (RoCKin@Work) e di servizio (RoCKIn@Home), ed ha introdotto diversi concetti chiave. Tra essi, la definizione di due categorie di benchmark interconnesse ma separate: i Task Benchmark (TBM), tesi a valutare le prestazioni di un robot alle prese con un compito complesso che richiede l’uso di abilità diverse, e i Functionality Benchmark (FBM), focalizzati invece su una singola abilità tra quelle richieste dai TBM. Tra i risultati chiave di RoCKIn si trovano sia la definizione dei criteri di progettazione generali per questi due tipi di benchmark, ma anche la realizzazione di una vera competizione basata su TBM e FBM, alla quale hanno partecipato team provenienti da tutto il mondo.

Dall’esperienza della RoCKIn Competition è nata la European Robotics League, che ne riprende le due competizioni (rinominate ERL Industrial Robots e ERL Service Robots) aggiungendone una terza di tipo outdoor (ERL Emergency). Rispetto a RoCKIn, la ERL introduce alcuni aspetti innovativi. Tra questi, l’affiancamento alle grandi competizioni (dette Major Tournaments: eventi tipicamente annuali a cui partecipano molti team) di competizioni più frequenti e su scala minore (chiamate Local Tournament) che hanno luogo presso i laboratori di ricerca di tutta Europa. Ciò facilita la partecipazione delle squadre e consente loro di partecipare a più Tournaments nel corso dell’anno: ciò produce una maggiore quantità di risultati relativi allo stesso robot e allo stesso benchmark rilevati in condizioni diverse ma confrontabili, e dunque promuove l’affidabilità e la significatività scientifica di quegli stessi risultati.

Il più recente dei Local Tournament della ERL ha avuto luogo presso il Laboratorio di Intelligenza Artificiale e Robotica (AIRLab) del Politecnico di Milano tra il 20 e il 25 Novembre 2017. Il Politecnico di Milano è uno dei partner del progetto RockEU2, come precedentemente lo era del progetto RoCKIn. L’evento di Milano apparteneva alla competizione ERL Industrial Robots, e ha visto la partecipazione di due squadre provenienti dalla Germania: b-it-bots (Bonn-Rhein-Sieg University of Applied Sciences) e AutonOHM (Technische Hochschule Nürnberg Georg Simon Ohm). I robot autonomi realizzati da questi team hanno eseguito due dei Functional Benchmarks di ERL (FBM2: Manipulation, FBM4: Navigation) e uno dei Task Benchmark (TBM3: Fill a Box with Parts).

Nel dare vita alla European Robotics League, il progetto RockEU2 ha previsto che essa assumesse vita indipendente e proseguisse le sue attività anche oltre la durata del progetto (che terminerà a settembre 2018). Questo processo di distacco è in effetti in corso, e consentirà alla ERL di continuare e consolidare la propria attività volta all’introduzione della cultura del benchmarking nelle competizioni robotiche. Un obiettivo non così lontano, se si pensa che già nel 2016 ERL e RoboCup hanno cominciato ad organizzare competizioni congiunte. In prospettiva, la European Robotics League conta di sfruttare il suo ruolo di apripista per catalizzare un processo importante per la diffusione dei robot autonomi: la trasformazione delle competizioni tra robot autonomi da eventi puramente dimostrativi in veicoli per lo sviluppo scientifico e tecnologico incentrato sul benchmarking.

Valuta la qualità di questo articolo

La tua opinione è importante per noi!

People&Change

Tutti
AI IN AZIENDA
FORMAZIONE
CULTURA AZIENDALE
COMPETENZE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership

Articoli correlati

0
Lascia un commento, la tua opinione conta.x