 |
Trong tháng này, tại một cơ sở của bộ phận Amazon Devices & Services (địa điểm không được tiết lộ), công ty đã triển khai một phương pháp sản xuất không chạm hoàn toàn mới, ưu tiên mô phỏng trước khi thực hiện thực tế. Giải pháp này huấn luyện các cánh tay robot kiểm tra nhiều loại thiết bị để đánh giá chất lượng sản phẩm và tích hợp sản phẩm mới vào dây chuyền sản xuất - tất cả đều dựa trên dữ liệu tổng hợp, không cần thay đổi phần cứng.
Công nghệ mới kết hợp phần mềm do Amazon Devices phát triển (mô phỏng quy trình lắp ráp) với các “bản sao số” được Nvidia hỗ trợ. Nhờ quy trình mô-đun và vận hành bằng AI, hệ thống này có thể kiểm tra nhanh hơn, chính xác hơn so với máy móc kiểm định trước đây.
Việc mô phỏng quy trình và sản phẩm trong “bản sao số” giúp loại bỏ nhu cầu tạo mẫu vật lý tốn kém và mất thời gian. Điều này đơn giản hóa công việc của nhà sản xuất và rút ngắn đáng kể thời gian đưa sản phẩm mới ra thị trường.
Để cho phép “sản xuất zero-shot” (tức robot có thể sản xuất ngay mà không cần huấn luyện thực tế trước đó), giải pháp sử dụng các mô hình mô phỏng siêu thực, có tính vật lý của thiết bị Amazon và trạm làm việc trong nhà máy để tạo dữ liệu tổng hợp.
Dữ liệu chuyên biệt cho từng nhà máy này được dùng để cải thiện hiệu suất mô hình AI cả trong môi trường mô phỏng lẫn thực tế, thu hẹp khoảng cách giữa mô phỏng và ứng dụng thật trước khi triển khai.
Đây là một bước tiến lớn hướng tới sản xuất tổng quát - tức hệ thống tự động có thể linh hoạt xử lý nhiều loại sản phẩm và quy trình khác nhau, ngay cả khi chưa từng có nguyên mẫu vật lý.
Amazon Devices & Services hiện sản xuất sản phẩm tại nhiều địa điểm, bao gồm khu vực Puget Sound (bang Washington) như Seattle và Kirkland, cùng Arlington (Virginia), cũng như nhiều cơ sở khác ở Bắc Mỹ và toàn cầu.
AI và bản sao số giúp robot “hiểu” thiết bị
Bằng cách huấn luyện robot trong môi trường bản sao số để nhận dạng và xử lý thiết bị mới, Amazon Devices & Services có thể xây dựng dây chuyền sản xuất nhanh hơn, mô-đun hơn và dễ điều khiển hơn. Chỉ cần thay đổi phần mềm, dây chuyền có thể chuyển từ kiểm định một sản phẩm sang sản phẩm khác.
Hành động của robot có thể được lập trình để sản xuất hoàn toàn dựa trên quá trình huấn luyện trong mô phỏng bao gồm các công đoạn lắp ráp, kiểm tra, đóng gói và đánh giá chất lượng.
Bộ công nghệ Nvidia Isaac là nền tảng cho phương pháp tiếp cận “mô phỏng trước - triển khai sau” với độ chính xác vật lý cao của Amazon. Khi có sản phẩm mới, Amazon Devices & Services đưa mô hình CAD của sản phẩm vào Nvidia Isaac Sim - ứng dụng mô phỏng robot mã nguồn mở, xây dựng trên nền tảng Nvidia Omniverse.
Nvidia Isaac sẽ tạo hơn 50.000 hình ảnh tổng hợp đa dạng từ mô hình CAD của mỗi sản phẩm, giúp huấn luyện các mô hình nhận dạng vật thể và phát hiện lỗi. Sau đó, Isaac Sim xử lý dữ liệu và dùng Nvidia Isaac ROS để tạo đường di chuyển cho cánh tay robot khi thao tác sản phẩm.
Việc phát triển công nghệ này được tăng tốc đáng kể nhờ dịch vụ điện toán AWS - với huấn luyện mô hình AI phân tán trên thông số kỹ thuật sản phẩm của Amazon Devices bằng Amazon EC2 G6 qua AWS Batch, cũng như mô phỏng vật lý và tạo dữ liệu tổng hợp trên các máy chủ Amazon EC2 G6.
Giải pháp còn dùng Amazon Bedrock - dịch vụ xây dựng ứng dụng AI tạo sinh để lập kế hoạch nhiệm vụ tổng thể và các bài kiểm định chất lượng cụ thể tại nhà máy, dựa trên phân tích tài liệu thông số kỹ thuật. Amazon Bedrock AgentCore sẽ được dùng để lập kế hoạch quy trình tự động cho nhiều trạm sản xuất, có thể xử lý dữ liệu đa phương tiện như thiết kế 3D và đặc tính bề mặt sản phẩm.
Để giúp robot hiểu môi trường xung quanh, giải pháp sử dụng Nvidia cuMotion - thư viện lập kế hoạch chuyển động tăng tốc bằng CUDA, có thể tạo đường di chuyển tránh va chạm chỉ trong vài phần nghìn giây trên mô-đun Nvidia Jetson AGX Orin. Thư viện nvblox trong Isaac ROS tạo ra bản đồ khoảng cách để cuMotion dùng cho việc tránh va chạm.
Mô hình nền tảng FoundatinonPose của Nvidia được huấn luyện trên 5 triệu hình ảnh tổng hợp hỗ trợ robot xác định chính xác vị trí và hướng của sản phẩm. Quan trọng hơn, FoundationPose có khả năng tổng quát hóa sang các vật thể hoàn toàn mới mà không cần dữ liệu huấn luyện trước, giúp robot dễ dàng chuyển đổi giữa các loại sản phẩm khác nhau mà không phải thu thập lại dữ liệu và huấn luyện lại mô hình.
Trong khâu kiểm định chất lượng, phương pháp này cũng được dùng để phát hiện lỗi sản phẩm trên dây chuyền. Với thiết kế mô-đun, giải pháp cho phép tích hợp trong tương lai các mô hình suy luận tiên tiến như Nvidia Cosmos Reason.
