Wnioski z branży motoryzacyjnej dla robotyki
Globalny popyt na robotykę gwałtownie rośnie. Zastosowania tej dziedziny sięgają od robotów przemysłowych po koboty, oraz z autonomiczne roboty mobilne do humanoidów, przewiduje się, że rynek ten będzie się rozwijał z prawie 50 miliardów dolarów w 2025 roku do ponad 100 miliardów dolarów w 2030 roku. Z tą gwałtowną ekspansją wiążą się poważne wyzwania: efektywne skalowanie, ograniczanie kosztów, integracja złożonego sprzętu i oprogramowania oraz utrzymanie wydajności w trudnych, rzeczywistych warunkach.
Przemysł motoryzacyjny od dziesięcioleci mierzy się z każdym z tych wyzwań — w skali globalnej i przy zachowaniu rygorystycznych wymagań dotyczących bezpieczeństwa i niezawodności. Pojazdy są projektowane tak, aby działały w ekstremalnych temperaturach, przy silnych wibracjach i w nieprzewidywalnych warunkach, zapewniając jednocześnie stałą jakość w milionach egzemplarzy. Ta podstawa, na którą składają się sprawdzone architektury, zdyscyplinowana inżynieria i zindustrializowane łańcuchy dostaw, stanowi sprawdzony model dla robotyki.
Podobieństwa między tymi dwiema branżami są uderzające. Weźmy na przykład zaawansowane systemy wspomagania kierowcy (ADAS), które wykorzystują inteligentną percepcję, by umożliwić pojazdom podejmowanie bezpiecznych decyzji w czasie rzeczywistym dotyczących wyboru trasy. Albo wysokowydajne złącza, które zapewniają niezawodne dostarczanie energii i transmisję danych do kluczowych czujników w wymagających warunkach. Albo wbudowane platformy oprogramowania działające w czasie rzeczywistym, które obsługują coraz częściej oparte na sztucznej inteligencji aplikacje wykorzystujące te dane wejściowe. W połączeniu z globalną skalą produkcji i siłą łańcucha dostaw te możliwości, sprawdzone w branży motoryzacyjnej, mogą pomóc firmom z branży robotyki w przyspieszeniu industrializacji i pewnym wdrażaniu zoptymalizowanych systemów.
Wyzwania stojące przed branżą robotyki
Wczesne programy robotyki opierały się zazwyczaj na systemach tworzonych na zamówienie, w których inżynierowie stopniowo integrowali jednostki obliczeniowe, czujniki, systemy dystrybucji energii, moduły oprogramowania oraz mechanizmy bezpieczeństwa. Chociaż podejście to sprzyjało innowacjom, elementy, które sprawdzały się dobrze podczas wstępnych testów, mogły okazać się zawodne w obliczu rzeczywistych wymagań eksploatacyjnych. Systemy te były trudne i kosztowne w skalowaniu, trudne w utrzymaniu i nie zawsze wystarczająco wytrzymałe, by zapewnić długi okres eksploatacji.
Obecnie szereg czynników skłania tę dziedzinę do przejścia na bardziej niezawodną i znormalizowaną architekturę:
- Modułowe, skalowalne platformy
Organizacje z branż takich jak logistyka, produkcja, opieka zdrowotna i mobilność chcą wdrażać całe floty robotów, a nie pojedyncze prototypy. Wymaga to stworzenia znormalizowanych warstw, które można ponownie wykorzystywać w różnych liniach produktowych. - Inteligentne systemy percepcyjne
Roboty opierają się nie tylko na niezawodnych czujnikach, ale także na głębokim uczeniu się, fuzji danych z wielu czujników oraz wnioskowaniu w czasie rzeczywistym opartym na sztucznej inteligencji i uczeniu maszynowym, które pozwalają im zrozumieć otaczający je świat. Te obciążenia wymagają wysokowydajnych obliczeń, wydajnego przesyłu danych oraz rygorystycznej optymalizacji systemu. - Solidne systemy elektryczne
Roboty wymagają systemów zasilania i architektur danych, które wytrzymają trudne warunki środowiskowe i będą niezawodne przez długi czas. - Wymogi dotyczące bezpieczeństwa, ochrony i przepisów
W miarę jak roboty działają coraz bliżej ludzi, bezpieczeństwo funkcjonalne, nadmiarowość, cyberbezpieczeństwo oraz ramy certyfikacyjne stają się niezbędne. Nie można ich po prostu „dodawać” — muszą być wbudowane w samą architekturę systemu.
Wszystkie te wymagania zostały uwzględnione w branży motoryzacyjnej, zwłaszcza w miarę przechodzenia na pojazdy w coraz większym stopniu oparte na oprogramowaniu. Elementy te razem tworzą platformę — zapewniającą podstawy sprzętowe i programowe, które producenci OEM mogą wykorzystać do tworzenia wyróżniających się i innowacyjnych aplikacji.
Fundacja Oprogramowania
Pojazdy definiowane programowo (SDV) oraz nowoczesna robotyka opierają się na tym samym podstawowym stosie technologicznym. Obie dziedziny opierają się na ściśle zintegrowanych kombinacjach sprzętu, oprogramowania i protokołów komunikacyjnych — obejmujących systemy operacyjne czasu rzeczywistego (RTOS), oprogramowanie pośredniczące, inteligencję brzegową oraz komponenty fizyczne, takie jak czujniki, siłowniki i złącza o wysokiej niezawodności. Te wspólne elementy składowe stanowią podstawę fizycznej sztucznej inteligencji.
Pojazdy autonomiczne (SDV) są w istocie wysoce zaawansowanymi robotami mobilnymi: muszą postrzegać otoczenie, podejmować decyzje w czasie rzeczywistym oraz wykonywać precyzyjne czynności fizyczne — a wszystko to przy zachowaniu rygorystycznych wymogów dotyczących bezpieczeństwa, determinizmu i niezawodności. Te same wymagania charakteryzują zastosowania robotyki w różnych branżach, od produkcji, przez logistykę, po robotykę usługową.
Ponieważ systemy te oddziałują bezpośrednio ze światem fizycznym, opierają się na deterministycznych systemach operacyjnych czasu rzeczywistego (RTOS), które gwarantują przewidywalną wydajność. Determinizm umożliwia skoordynowane sterowanie ruchem, precyzyjną fuzję danych z czujników oraz natychmiastową reakcję na zdarzenia o krytycznym znaczeniu dla bezpieczeństwa, takie jak wykrycie przeszkody czy zatrzymanie awaryjne.
Jako doskonały przykład „sprawdzonego w praktyce” systemu operacyjnego czasu rzeczywistego (RTOS), VxWorks jest wykorzystywany w misjach marsjańskich od czasu lądownika Pathfinder z 1997 roku i od tamtej pory zasila liczne łaziki i statki kosmiczne. Jego sprawdzona niezawodność sprawiła, że jest on nadal używany kilkadziesiąt lat później, m.in. jako kluczowy system operacyjny czasu rzeczywistego (RTOS) wykorzystywany w krytycznych podsystemach misji Artemis II agencji NASA misja załogowa. Te same zasady systemu operacyjnego czasu rzeczywistego (RTOS), które zapewniają niezawodne działanie w przestrzeni kosmicznej, stanowią również podstawę bezpiecznego i deterministycznego działania pojazdów SDV — a także, w coraz większym stopniu, systemów robotycznych nowej generacji.
W przypadku funkcji wyższego rzędu, takich jak percepcja, przetwarzanie oparte na sztucznej inteligencji oraz integracja systemów, system Linux może okazać się bardzo skuteczny. Na przykład robot MOTOMAN NEXT firmy Yaskawa wykorzystuje system Wind River Linux do obsługi percepcji opartej na sztucznej inteligencji oraz zachowań adaptacyjnych w automatyce przemysłowej. Oparty na platformie Yocto system Wind River Linux pozwala zespołom dostosować minimalny, specyficzny dla danego sprzętu system operacyjny, zapewniając jednocześnie długoterminowe wsparcie i aktualizacje zabezpieczeń. Działa dobrze z frameworkami takimi jak ROS 2 i jest powszechnie wykorzystywany do obsługi zadań nie wymagających pracy w czasie rzeczywistym — takich jak planowanie, przetwarzanie danych i łączność — równolegle z systemami sterowania działającymi w czasie rzeczywistym.
Rys. 1 Technologie motoryzacyjne dla pojazdów autonomicznych (AMR)
Postrzeganie i dane
Branża robotyki wkracza w fazę, przez którą przeszła już branża motoryzacyjna: przejście od przełomowych możliwości do niezawodnej i skalowalnej wydajności. Nigdzie nie ma to większego znaczenia niż w obszarze percepcji. W obu branżach percepcja stanowi warstwę podstawową — zasilającą wszystkie kolejne funkcje, od planowania ruchu po uruchamianie. Branża motoryzacyjna wykazała, że solidna percepcja to nie tylko wykrywanie otoczenia, ale także porządkowanie, weryfikacja i wykorzystanie danych w praktyce, tak aby maszyny mogły podejmować bezpieczne decyzje w czasie rzeczywistym w warunkach niepewności.
Dziesięciolecia inwestycji w samochodowe systemy percepcji dostarczają jasnego wzorca. Zaawansowane systemy wspomagania kierowcy oraz platformy jazdy zautomatyzowanej opierają się na multimodalnej fuzji danych z czujników, aby uzyskać redundantny i wysoce wiarygodny obraz otoczenia. Kluczową lekcją dla robotyki jest to, że żadna pojedyncza modalność czujnika nie jest wystarczająca. Optymalizacja wymaga ściśle zintegrowanych architektur fuzji danych z czujników, w których uzupełniające się strumienie danych są synchronizowane, opatrzone sygnaturą czasową i przetwarzane za pomocą ujednoliconych potoków przetwarzania danych, co pozwala zmniejszyć niepewność i umożliwić zachowanie deterministyczne.
Równie ważny jest cykl życia danych związany z percepcją. W branży motoryzacyjnej wydajność systemów percepcyjnych jest stale poprawiana dzięki procesom gromadzenia danych na dużą skalę, ich adnotacji oraz szkolenia modeli. Dzięki wdrożeniu architektur danych w pętli zamkniętej — w których dane operacyjne są systematycznie przekazywane z powrotem do działu rozwoju — systemy robotyczne mogą ewoluować z maszyn reagujących na zdarzenia w systemy adaptacyjne, uczące się.
Bezpieczeństwo to punkt, w którym zbiegają się percepcja, dane i architektura. Branża motoryzacyjna wprowadziła rygorystyczne procesy bezpieczeństwa funkcjonalnego (takie jak norma ISO 26262), które wymagają nie tylko dokładnej percepcji, ale także przewidywalnej reakcji systemu w warunkach awarii . Właściwe podejście powinno uwzględniać nadmiarowość zarówno na poziomie sprzętowym, jak i programowym — zróżnicowane rodzaje czujników, niezależne ścieżki przetwarzania oraz strategie awaryjne — aby zapewnić płynne pogorszenie wydajności zamiast katastrofalnej awarii. W przypadku robotyki działającej w dynamicznych, zaludnionych środowiskach model ten ma zasadnicze znaczenie.
Wreszcie, optymalizacja w robotyce będzie zależała od platformyzacji — czyli możliwości wdrażania funkcji percepcyjnych w różnych zastosowaniach bez konieczności ponownego tworzenia stosów technologicznych za każdym razem. Branża motoryzacyjna już przeszła na scentralizowane przetwarzanie danych i architektury definiowane programowo, w których algorytmy percepcyjne działają na skalowalnych, wysokowydajnych platformach obliczeniowych ze znormalizowanymi interfejsami. W przypadku robotyki przyjęcie podobnych zasad oznacza oddzielenie oprogramowania percepcyjnego od konfiguracji sprzętowych, co umożliwia szybkie wdrażanie w szerokiej gamie urządzeń.
Złącza o wysokiej wydajności
Dla producentów OEM z branży motoryzacyjnej złącza są zaawansowanymi technicznie, a jednocześnie stosunkowo niedrogimi komponentami — produkowanymi na ogromną skalę i zoptymalizowanymi pod kątem kosztów bez utraty wydajności. Ta równowaga między wytrzymałością a przystępną ceną sprawia, że złącza klasy motoryzacyjnej stają się coraz bardziej atrakcyjne dla branż poszukujących niezawodnych rozwiązań bez konieczności ponoszenia kosztów związanych z projektami na zamówienie.
Zasadniczo złącza muszą rozwiązywać fundamentalny dylemat inżynieryjny: zapewnienie pewnego połączenia w warunkach długotrwałych wibracji i obciążeń środowiskowych, przy jednoczesnym zachowaniu możliwości serwisowania. W konstrukcjach motoryzacyjnych problem ten rozwiązuje się za pomocą takich rozwiązań, jak dodatkowe mechanizmy zabezpieczające — redundantne systemy blokujące, które gwarantują integralność połączenia nawet pod wpływem obciążeń mechanicznych. Wymagania te są konsekwentnie spełniane na dużą skalę.
Wraz z rozwojem elektroniki samochodowej złącza stały się integralną częścią ekosystemów szybkiej transmisji danych. Obecnie obsługują one protokoły komunikacyjne, takie jak CAN, a także – w coraz większym stopniu – motoryzacyjną sieć Ethernet (w tym Ethernet jednoparowy), umożliwiając niezawodną transmisję zarówno zasilania, jak i danych o dużej przepustowości w ramach złożonych architektur rozproszonych. Presja kosztowa dodatkowo przyspieszyła innowacje materiałowe, sprzyjając powszechnie dostępnym i łatwym w produkcji materiałom zamiast specjalistycznych alternatyw.
Normy takie jak te opracowane przez USCAR wzmocniły tę ewolucję, kładąc nacisk na interoperacyjność, trwałość i integralność danych. Ich coraz powszechniejsze stosowanie w robotyce i automatyce przemysłowej odzwierciedla szerszy trend w kierunku sprawdzonych, międzybranżowych architektur.
Dla producentów robotów konsekwencje są znaczące. Wykorzystanie ekosystemów złączy stosowanych w motoryzacji pozwala na skrócenie cyklu projektowania, zmniejszenie ryzyka związanego z kwalifikacją produktów oraz dostęp do sprawdzonych globalnych łańcuchów dostaw. To z kolei sprzyja skalowaniu produkcji — przejściu od produkcji małoseryjnej do powtarzalnej produkcji wielkoseryjnej, charakteryzującej się stałą jakością i kontrolą kosztów. Dzięki zastosowaniu sprawdzonych w branży motoryzacyjnej komponentów i standardów firmy z branży robotyki mogą przyspieszyć industrializację, zachowując jednocześnie niezawodność wymaganą do wdrożenia w rzeczywistych warunkach.
Skala i łańcuch dostaw
Aby firma mogła się rozwijać, kluczowe znaczenie ma wypełnienie luki między prototypem a produkcją seryjną. Pomyślna realizacja tego zadania wymaga partnera, który zapewni zarówno optymalizację kosztów, jak i niezawodny łańcuch dostaw. Prawdziwy partner w zakresie skalowalności powinien zaspokajać bieżące potrzeby i być w stanie wspierać przyszłą ekspansję, tak aby nic nie hamowało rozwoju firmy.
Firmy takie jak Aptiv, które od dawna zaopatrują przemysł motoryzacyjny, dysponują ugruntowanymi zasobami w postaci rzeczowych aktywów trwałych, które można wykorzystać do zaspokojenia obecnego i prognozowanego wzrostu popytu. Minimalizuje to potrzebę dodatkowych inwestycji, zmniejsza ryzyko i zapewnia naturalne korzyści kosztowe.
Wraz z rozwojem flot presja kosztowa przestaje być kwestią drugorzędną, a staje się głównym ograniczeniem. Architektury oparte na drogich czujnikach i platformach obliczeniowych ogólnego przeznaczenia stają się trudne do ekonomicznego skalowania, zwłaszcza na rynkach o wysokim poziomie konkurencji. Powoduje to punkt zwrotny: systemy zoptymalizowane pod kątem weryfikacji koncepcji muszą ewoluować w kierunku systemów zaprojektowanych z myślą o wydajności produkcyjnej.
W branżach charakteryzujących się dużą skalą produkcji, takich jak przemysł motoryzacyjny, ta transformacja doprowadziła już do przejścia na konfiguracje czujników i układów obliczeniowych, które zapewniają równowagę między wydajnością a kosztami na dużą skalę — sprzyjając rozwiązaniom minimalizującym zależność od kosztownych komponentów przy jednoczesnym zachowaniu niezawodności.
W tym miejscu kluczowe znaczenie ma odmienna filozofia projektowania. Wykorzystując komponenty i architektury opracowane dla branż charakteryzujących się produkcją na dużą skalę, systemy robotyczne mogą czerpać korzyści z ekonomii skali. Na przykład czujniki i platformy obliczeniowe produkowane na skalę motoryzacyjną oferują znaczne korzyści kosztowe w porównaniu ze specjalistycznymi komponentami robotycznymi, nie tracąc przy tym na wydajności, gdy są połączone ze skuteczną fuzją czujników i percepcją opartą na sztucznej inteligencji. W tym kontekście sztuczna inteligencja jest stosowana wybiórczo — uzupełniając tradycyjne metody tam, gdzie jest to konieczne, w celu poprawy niezawodności i zasięgu, a nie jako uniwersalne rozwiązanie. Takie podejście pozwala platformom robotycznym wyjść poza wczesne etapy wdrażania i przejść do skalowalnej, opłacalnej produkcji, dostosowując wydajność systemu do ekonomicznych realiów wdrażania dużych flot.
Optymalizacja kosztów
Wraz z rozwojem flot presja kosztowa przestaje być kwestią drugorzędną, a staje się głównym ograniczeniem. Architektury oparte na drogich czujnikach i platformach obliczeniowych ogólnego przeznaczenia trudno jest skalować w ekonomiczny sposób, zwłaszcza na rynkach o wysokim poziomie konkurencji. Powoduje to punkt zwrotny: systemy zoptymalizowane pod kątem weryfikacji koncepcji muszą przekształcić się w systemy zaprojektowane z myślą o wydajności produkcyjnej.
W branżach charakteryzujących się dużą skalą produkcji, takich jak przemysł motoryzacyjny, ta transformacja spowodowała już przejście na konfiguracje czujników i układów obliczeniowych, które zapewniają równowagę między wydajnością a kosztami przy produkcji na dużą skalę — sprzyjając rozwiązaniom minimalizującym zależność od kosztownych komponentów przy jednoczesnym zachowaniu niezawodności.
W tym miejscu kluczowe znaczenie ma odmienna filozofia projektowania. Wykorzystując komponenty i architektury opracowane dla branż charakteryzujących się dużą skalą produkcji, systemy robotyczne mogą czerpać korzyści z ekonomii skali. Na przykład czujniki i platformy obliczeniowe produkowane na skalę przemysłu motoryzacyjnego oferują znaczne korzyści kosztowe w porównaniu ze specjalistycznymi komponentami robotycznymi, nie tracąc przy tym na wydajności w połączeniu ze skuteczną fuzją czujników i percepcją opartą na sztucznej inteligencji. W tym kontekście sztuczna inteligencja jest stosowana wybiórczo — uzupełniając tradycyjne metody tam, gdzie jest to konieczne, w celu poprawy niezawodności i zasięgu, a nie jako uniwersalne rozwiązanie. Takie podejście pozwala platformom robotycznym wyjść poza wczesne etapy wdrażania i przejść do skalowalnej, opłacalnej produkcji, dostosowując wydajność systemu do ekonomicznych realiów wdrażania dużych flot.
Odporność łańcucha dostaw
Organizacje powinny przynajmniej domagać się przejrzystości na poziomie trzecim, która zapewnia wgląd nie tylko w bezpośrednich dostawców, ale także w poddostawców i dostawców surowców, od których pochodzi wiele z najpoważniejszych zagrożeń. Dzięki tak szczegółowemu mapowaniu łańcucha dostaw firmy mogą zidentyfikować ukryte zależności, koncentracje geograficzne oraz pojedyncze punkty awarii, które w przeciwnym razie pozostałyby problemami niemożliwymi do rozwiązania i niewykrywalnymi.
Ta przejrzystość umożliwia wcześniejsze wykrywanie ryzyka zakłóceń, bardziej wiarygodną analizę due diligence w zakresie praw człowieka i ochrony środowiska oraz podejmowanie lepiej uzasadnionych decyzji dotyczących zaopatrzenia i ciągłości działania. W praktyce widoczność na poziomie 3 zapewnia kluczową równowagę: jest wystarczająco głęboka, by ujawnić istotne ryzyka operacyjne, regulacyjne i reputacyjne, a jednocześnie pozostaje praktyczna pod względem utrzymania i podejmowania odpowiednich działań. Dla klientów przekłada się to na większą odporność, szybszą reakcję na nieoczekiwane zdarzenia oraz większą pewność, że decyzje dotyczące łańcucha dostaw opierają się na realistycznym obrazie rzeczywistego przepływu towarów i materiałów.
Perspektywy na przyszłość
Od wytrzymałości łazików marsjańskich z lat 70. po imponujące możliwości współczesnych humanoidów – roboty opierają się na technologiach obejmujących szeroki zakres, od systemów operacyjnych działających w czasie rzeczywistym, przez inteligentne systemy percepcji, aż po podstawowy sprzęt łączący. Sukces wymaga niezawodnego partnera technologicznego z potwierdzonym doświadczeniem w opracowywaniu produktów i systemów o znaczeniu krytycznym, a także znajomości rynków podlegających regulacjom oraz zdolności do samodzielnej certyfikacji produktów w celu skrócenia czasu testowania i ograniczenia biurokracji.
Skalowanie systemów robotycznych wymaga przejścia od ściśle powiązanych, opartych na prototypach architektur do platform wspierających modułowość, znormalizowane interfejsy oraz zarządzanie cyklem życia na dużą skalę. Wymaga to również doświadczenia w radzeniu sobie z praktycznymi realiami wdrażania — ograniczeniami termicznymi, zarządzaniem energią, odpornością na warunki środowiskowe oraz walidacją systemu w rzeczywistych warunkach. Organizacje, które odnoszą sukcesy w skalowaniu, to te, które potrafią uwzględnić te kwestie na wczesnym etapie, zamiast dostosowywać je po początkowym wdrożeniu. Wykorzystując doświadczenia zdobyte podczas produkcji na skalę motoryzacyjną — gdzie niezawodność, koszt i wydajność muszą być zrównoważone w odniesieniu do milionów egzemplarzy — firmy z branży robotyki mogą przejść od systemów typu „proof-of-concept” do wdrożeń na skalę przemysłową. Takie podejście nie tylko skraca czas wprowadzenia produktu na rynek, ale także tworzy podstawę do ciągłego doskonalenia, gwarantując, że platformy robotyczne będą ewoluować wraz z postępem w dziedzinie sztucznej inteligencji i coraz bardziej złożonymi wymaganiami operacyjnymi.
Podsumowując, dogłębna wiedza specjalistyczna firmy Aptiv w zakresie integracji sprzętu klasy motoryzacyjnej, oprogramowania o krytycznym znaczeniu dla bezpieczeństwa oraz wdrażania na dużą skalę zapewnia jej wyjątkową pozycję na styku pojazdów SDV i robotyki. Branże te nie stanowią odrębnych dziedzin, lecz tworzą kontinuum fizycznej sztucznej inteligencji — w którym doświadczenia zdobyte na drogach można bezpośrednio wykorzystać na hali produkcyjnej, w magazynie i nie tylko.