AO_418

che potrebbe essere stata ricavata da lui direttamente. Un enorme vantaggio che deriva da tale approccio consiste nel modo in cui l’AMR gestisce la presenza di ostacoli sul proprio cammino: mentre l’AGV è costretto a fermarsi aspettando la rimozione dell’ostacolo da parte di un agente esterno, l’AMR può procedere autonomamente a un ri- calcolo del percorso, in modo da evitare l’ostacolo e portare avanti il proprio compito senza ulteriori indugi. L’ostacolo in questione può essere un’altra macchina (a guida autonoma o no), oppure un opera- tore umano, impegnato nello svolgimento di mansioni che implicano l’occupazione del percorso pianificato dal robot. La capacità di gestire tali situazioni qualifica l’AMR come robot collaborativo ed elimina la necessità di separare rigidamente gli spazi operativi dell’uomo e della macchina, come invece avveniva per il Guide-O-Matic, con un conse- guente migliore utilizzo degli spazi aziendali. Algoritmi di Slame dintorni Un secondo strumento sul quale l’AMR può fare affidamento è l’uso di algoritmi di localizzazione e mappatura. Come problema di ricerca accademica, lo Slam (Simultaneous Localization and Mapping) è stato studiato ormai per quasi 35 anni e risolto con diversi gradi di successo. In parole povere, il problema consiste nel porre un robot in un ambiente sconosciuto, con il compito di usare i propri sensori per ricavare una mappa dell’ambiente stesso e capire quale sia la propria posizione al suo interno. Il tutto è complicato dalla presenza di inevi- tabili incertezze ed errori di misura. In pratica, il robot dovrà esplorare il proprio ambiente, anche sfruttando le informazioni già raccolte, per capire da che parte procedere con l’esplorazione e, allo stesso tempo, organizzare i dati raccolti in unamappa coerente, che consenta l’auto- localizzazione.L’uso di algoritmi di Slam a bordo degli AMR elimina la necessità di elaborare e caricare una mappa dell’ambiente di lavoro nellamemoria del robot, al contrario di quanto succede, per esempio, negli AGV che usano la triangolazione laser, e rende l’AMR più facil- mente adattabile all’utilizzo in ambienti dinamici. È comunque possi- bile ‘guidare’ la fase di apprendimento, sia fornendo direttamente la mappa, sia utilizzando una speciale modalità operativa nella quale si porta ‘a spasso’ il robot mediante un joystick. Un terzo strumento che si va sempre più diffondendo è l’uso combi- nato di sensori complessi per la visione artificiale e algoritmi di intel- ligenza artificiale, nonché della connessione in rete di flotte di AMR. La simbiosi fra tali sistemi porta a prestazioni sempre più elevate nei compiti da svolgere, soprattutto in ambienti altamente dinamici. Lo scambio di informazioni fra diversi AMR, con il supporto di dati visivi, per esempio, rende estremamente più efficiente l’esecuzione degli algoritmi di Slam, o la realizzazione di compiti collaborativi che richie- dono l’intervento simultaneo di più AMR. Settori di applicazione emodelli di business La piattaforma di base di un AMR è rimasta sostanzialmente la stessa del primo prototipo di AGV, ovvero un carrellomotorizzato, oggi però è possibile arricchire tale piattaforma con una grande varietà di ele- menti, da semplici ganci per la trazione di carrelli a sofisticati bracci ro- botici sensorizzati. Pertanto, se l’utilizzo classico, e ancora prevalente, degli AMR è nel settore della movimentazione all’interno dei magaz- zini, è sempre più frequente vedere applicazioni di natura diversa. È il caso della movimentazione in ambiti non le- gati a logistica e produzione, per esempio in am- bito ospedaliero, per il trasporto di medicinali e ammalati, o in campo alberghiero, per guidare e assistere gli ospiti, fino al caso estremo delle pantofole e dei cuscini a guida autonoma proget- tati da Nissan utilizzando gli stessi algoritmi impiegati per il parcheg- gio automatico degli autoveicoli. Questi accessori tornano da soli al proprio posto una volta utilizzati! Anche al di fuori della movimentazione, la ricca gamma di accessori disponibili rende gli AMR in grado di partecipare ai processi produt- tivi in molti modi, come nell’alimentazione di altre macchine o nella sostituzione di utensili su bracci robotici. Un trend interessante si riscontra anche nella varietà dei modelli di business utilizzati per proporre l’usodi AMR innuovi settori e impianti. La versatilità degli AMR consente infatti bassi investimenti iniziali, in quanto non è necessario introdurre modifiche strutturali all’impianto o predisporre guide apposite, con conseguente veloce recupero dell’investimento, in quanto l’uso del robot consente di liberare ri- sorse umane che possono essere dedicate a compiti a maggiore va- lore aggiunto. D’altro canto, l’usodi nuove formule di accesso ai servizi forniti dagli AMR si è rivelata una chiave vincente alla diffusione degli stessi. Lemodalità ‘Pay-per-pick’ (PPP) o ‘Robot as a Service’ (RaaS), per esempio, mirano a ridurre il costo iniziale dell’investimento fornendo al contempo una soluzione scalabile e dando la possibilità al cliente di sperimentare i vantaggi offerti dagli AMR senza impegni onerosi. In entrambi i modelli l’azienda produttrice resta proprietaria dei robot e provvede alla loro configurazione presso il cliente; quest’ultimo paga un canone proporzionale al numero di esecuzioni dei task previsti: prelievo di un oggetto da uno scaffale nel PPP, oppure impacchetta- mento di un articolo nel RaaS. Tali soluzioni sono facilmente scalabili in caso di periodi di picco della produzione e permettono al cliente di dimensionare la flotta di AMR sulle sue esigenze effettive. Di solito, il passo successivo consiste nell’acquisto dei robot da parte del cliente stesso. Unmercato in piena ascesa Il tasso di crescita dei ricavi di MiR (Mobile Industrial Robot), uno dei principali produttori di AMR, nel 2018 è stato del 160%, confermando il datodel 2017, con il 27%delle vendite negli Stati Uniti e il 15% in Sud Europa, principalmente Italia, Francia e Spagna. Lo stesso fermento si riscontra presso altri player del settore più o meno noti (Omron, Kuka ecc.). La trasformazione di Kiva Systems in Amazon Robotics ha por- tato Amazon ad avere più di 100.000 AMR nei propri magazzini. I dati dell’IFR (International Federationof Robotics) stimano che la ven- dita di AMR e AGV destinati agli ambienti di produzione aumenterà del 333% annuo almeno fino alla fine del 2020, con gli AMR a fare la parte del leone. Possiamo quindi attenderci che, con un mercato così stimolante a disposizione, l’innovazione in ambito AMR continuerà a essere uno dei punti cruciali nella ‘lotta per la supremazia’ nel settore. L’evoluzione tecnologica degli AMR continuerà di sicuro a sorpren- derci nel prossimo futuro. Si va sempre più diffondendo l’uso combinato di sensori complessi per la visione artificiale e algoritmi di intelligenza artificiale per migliorare le prestazioni degli AMR Il punto di forza degli AMR consiste nell’utilizzare una forma di guida interna che li rende più facilmente adattabili ad ambienti dinamici e a un utilizzo flessibile Foto tratta da www.pixabay.com Foto tratta da www.freerangestock.com 135