AIを活用した産業自動化の変革

完全インテリジェントなロボットシステムへの最先端アプローチ

AI（人工知能）は、ますます多くのビジネスプロセスと産業アプリケーションの自動化を可能にしています。スマート自動化の範囲とペースはAIの進歩に直接依存しており、近年飛躍的な前進を遂げています。強力な3Dマシンビジョンと組み合わせることで、AIはロボットがあらゆるタイプの物体を認識、位置特定、ハンドリングできるようにし、人間にとって危険すぎる、単調すぎる、またはその他の理由で要求の厳しいタスクを自動化します。

しかし、産業自動化におけるAIとは何を意味し、どう機能し、近代化、イノベーション、生産性向上を目指す工場とビジネスにどのような可能性を開くのでしょうか？ まず、AIの始まりとその段階的な発展を見てみましょう。

初期アーキテクチャから畳み込みニューラルネットワークへ

AIという用語は、単純な統計から決定木、ニューラルネットワーク（畳み込みニューラルネットワークなど）、さらには強化学習のようなより高度なアプローチまで、多くの機械能力とプロセスを表す可能性があります。

AI開発の歴史はいくつかのアプローチを経験しましたが、汎化能力があるため、ニューラルネットワークが最も有望で興味深いことが証明されました。

1990年代と2000年代初頭、手書き数字の読み取りを含む文字認識の最初の成功事例（銀行小切手や郵便番号）により、ニューラルネットワークは大きな注目を集めました。これらのニューラルネットワークは、MNISTデータセット（Modified National Institute of Standards and Technologyの略）で学習されました。これは機械学習とマシンビジョンで画像処理システムの学習に使用される0〜9の手書き数字のコレクションです。MNISTデータセットは分類アルゴリズムのベンチマーク基準として機能し、今日でも学習とテストに使用されています。

これらの古典的なニューラルネットワークは実質的に何でも学習できますが、古い完全結合アーキテクチャを表し、学習には多くの時間と労力が必要です。これは、ある層のすべてのニューロンが次の層のすべてのニューロンと完全に接続されているため、学習すべきパラメータの数が膨大になり、画像サイズとともに増大するからです。コンピュータの性能は向上しましたが、小さな画像の認識を学習するのにも依然として非常に長い時間がかかります。

AI開発の転機は、畳み込みニューラルネットワーク（CNN）の導入によって訪れました。CNNは主に視覚画像の分析、画像分類やパターン認識に使用され、多くの現代的なマシンビジョンシステムの基盤となっています。もう一つの主要な応用分野は自然言語処理です。

CNNは非常に大雑把に言えば、脳の視覚皮質システムに着想を得ています。CNNの主なアイデアは、完全結合ネットワークのようにすべてのニューロンを互いに接続するのではなく、隣接するニューロンのみを接続して近接性を作り出すことです。隣接する入力（ピクセルなど）は関連情報を持っているからです。これにより、CNNは複数の層を持てますが、ある層のニューロンは、空間的に近い次の層のニューロンのみと接続されます。これにより複雑さ、ネットワーク内のニューロン数、結果として学習すべきパラメータ数が削減されます。このため、CNNは学習が高速で、必要サンプル数が少なく、より大きな画像にも適用可能です。

「畳み込み」という用語は、CNNがパターンを検出するフィルタリングプロセスを指します。個々の層が入力を畳み込み（combine）し、結果を次の層に渡します。

CNN開発の進歩は、グラフィック処理ユニット（GPU）の進歩によっても加速されました。その性能と計算能力は過去数年で飛躍的に向上し、CNN学習の新たな可能性を開きました。

AI分野で最も認知されたリーダーの一人、「AIのゴッドファーザー」と呼ばれるのはGeoffrey Hintonです。彼は実験心理学と人工知能の学位を持ち、この組み合わせが人工ニューラルネットワークの学習方法に関する優れた洞察を与えました。

2012年、彼の学生Alex Krizhevskyが、人間の脳が物体を認識する方法を模倣できるCNNを作成し、AIのもう一つの転機をもたらしました。このCNNはAlexNetと名付けられ、歴史上初めて機械が人間のように物体を識別できるようになりました。

このブレークスルーにより畳み込みニューラルネットワークが普及し、CNNが使用できる膨大な応用範囲が示されました。

畳み込みニューラルネットワークの学習

物体認識では、CNNが不変性と呼ばれる性質を持つことが重要です。これは、並進、視点、サイズ、照明に対して不変であり、画像内のどこにどのように配置されていても入力パターンを解釈し、物体を分類できることを意味します。これを達成するには、CNNを一定量の例で学習させる必要があります。データセット内の関連データ量を増やすベストプラクティスの一つはデータ拡張です。

拡張とは、入力データ、つまり元の画像を修正して、わずかに変更された複数のバージョンを生成することです。拡張技術には、水平/垂直反転、回転、スケーリング、クロッピング、X/Y方向への移動などがあります。

変更されたデータでCNNを学習させると、そのニューロンがこのような拡張に対して免疫を持ち、無関係なパターンを学習しないようにできます。反転したオウムもオウムとして認識されます。

ここで非常に役立つのが、いわゆる転移学習です。既存のすでに学習済みネットワークを使用し、その一部のフィルタを新しい種類の物体認識に適用することで、学習データ量を削減できます。例えば、犬の認識で学習されたネットワークを、一部のフィルタを保持し特定部分のみを修正することで、猫の認識にも使用できます。これによりネットワークが猫の認識に適応します。

モジュール型畳み込みニューラルネットワークのメリット

CNNの大きな価値は、そのアーキテクチャと個々のモジュールが単一の画像ブロックを見るという事実にあります。モジュールは同時に学習する必要がなく、簡単に結合できます。これらのよく学習されたモジュールを組み合わせることで、セグメンテーションに使用できる複雑なアーキテクチャが生まれました。

画像に何が写っているかのみを認識できるAlexNetとは異なり、これらの複雑なCNNは物体セグメンテーションを行い、画像内の物体の位置を定義できます。

このモジュール性により、さまざまな入力チャネルを使用できます。CNNが白黒データで使用されていればカラーデータにも使用でき、カラーデータで使用されていれば深度情報で拡張できます。追加情報を加えることでCNNの性能が向上し、精度向上と物体およびその位置のより良い認識が含まれます。

物体認識からスマート自動化ソリューションへ

上記の畳み込みニューラルネットワークの特徴と性質に基づき、PhotoneoはCNNを高度なロボットインテリジェンスシステムと自動化ソリューションの基盤として採用しました。

PhotoneoのCNNは白黒データ、カラーデータ、深度情報で動作します。アルゴリズムは大規模な物体データセットで学習されており、新しいタイプのアイテムに遭遇すると、それらを素早く汎化、つまり以前に「見た」ことのない物体を認識・分類できます。

例えば箱の概念を取り上げてみましょう。アルゴリズムは大量の箱データセットで学習されたため、箱がある数の面、エッジ、頂点を持つことを「理解」しています。この原則は、アルゴリズムが遭遇したことのない箱、潰れた箱や破損した箱でも機能します。AIの最大の価値は、さらなる再学習なしに学習した概念を汎化できることにあります。

これにより、Photoneoシステムはさまざまな形状、サイズ、色、素材のアイテムを認識できます。これは、混在物体（果物や魚などの有機物を含む）、小包の仕分け、箱が積まれたパレットの降ろし、その他多くの産業アプリケーションでの位置特定とハンドリングに使用されるロボット能力です。

アルゴリズムが、学習されたものとは根本的に異なる特徴を持つ物体に遭遇することもあります。これはCNNを混乱させ、性能低下を招く可能性があります。この問題を解決するには、エキゾチックな物体を予期して予防するか、優れた再学習システムを持つことです。後者の場合、性能は一時的に低下しますが、CNNはすぐにフル性能に戻るよう再学習されます。

お客様が珍しいアイテムや非市販品（産業用部品など）をピックする必要がある場合、CNNをこれらのエキゾチックなアイテムを含む特定のデータセットで学習させることができます。

顧客プロジェクトの実現時には、お客様はパイロットテストと実現可能性調査のためにPhotoneoのCNNを受け取り、そのネットワークが特定のアプリケーションで使用可能か確認します。このCNNはプロジェクトのパイロットフェーズからの画像でさらに改善・学習され、より多くの変動に対応できるようになります。

AI搭載物体認識とピッキングにおける最大の課題

最大の課題は、ピック可能な物体の範囲で欠けていた最後のピースとも言えます。この最後のピースは袋でした。

難しさは袋の性質にあります。袋は極めて変形しやすく、シワ、折り目、その他の不規則性で覆われています。袋がAIに課す課題にもかかわらず、Photoneoは満杯、半分、着色、透明、半透明を問わず袋を認識・ピックできるシステムを開発しました。このタスクは、混沌とコンテナ内に配置された袋同士の境界を認識するのが難しいため、人間の目にとってもしばしば困難です。特に透明な場合はさらに難しくなります。

しかし、袋の優れた認識と位置特定は、成功する物体ピッキングの前提条件の一部に過ぎません。もう一つの部分は、アプリケーションの機械側、つまりロボットグリッパーに関係します。袋がシワと折り目で覆われていることは、グリッパーから落ちるリスクを高めます。このリスクは、適切なフィードバック機能付きバキュームグリッパーを使用することで防止できます。

AIの今後の発展

近年のAIの大幅な進歩にもかかわらず、この分野には新たな成果のための広大な余地があります。例えば、いわゆる強化学習 が大きな注目を集めています。複雑な動きを提案する点で非常に有望で、例えばロボットが把持前にアイテムの位置を調整することを可能にします。

強化学習は物体認識だけでなく、アプリケーションの機械的問題にも対応できます。これは、システムが物体を認識できるだけでなく、ロボットアクションの個々のステップを報酬と罰に基づいて評価し、「成功または失敗の確率を計算」できることを意味します。つまり、AIアルゴリズムは総報酬を最大化する行動につながる意思決定のシーケンスを学習します。強化学習の威力の例は、囲碁でのマスターと勝利です。

その莫大な潜在力にもかかわらず、強化学習は設定される環境とそれが課す制限と密接に関連しています。例えば、採用グリッパーの機能と制限は常にシステムの全体性能に影響を与えます。

AIは新興技術の主な推進力であり、その発展は市場ニーズ、顧客期待、競争など多くの要因に大きく依存します。