ピッキング用ロボットの活用促進に向けて、新規物品登録を容易にするAI学習技術を開発

登録済み物品データの再学習を不要とし、従来の1/3以下の工数で新規物品を登録

日立は、物流倉庫などでピッキング作業を行うロボットに搭載するAI向けに、従来の1/3以下の工数*1で新たな物品を追加登録できる学習技術を開発しました。従来は、新規登録に伴い、登録済みの物品データの再学習が必要で、学習や動作保証に対する確認作業に時間を要していました。本技術では、開発したインクリメント型AI学習により、動作の確実性や速度などに影響を及ぼすことなく、追加する物品のみ学習することが可能です。今後、本技術を、日立が提唱、開発しているCollabotics(自律・協調)*2の技術コンセプトの一要素とし、柔軟性と効率性を兼ね備えた物流オペレーションの自動化を実現していきます。

背景および取り組んだ課題

開発した技術

確認した効果

謝辞

本成果の一部は、国立研究開発法人新エネルギー・産業技術総合開発機構(NEDO)の委託業務(JPNP16007)の結果得られたものです。

開発した技術の詳細

1. 新しい物品の追加登録を容易にするインクリメント型AI学習技術

従来は、新しい種類の物品が追加されるたびに、登録済みの物品を含む全ての物品について、認識のためのDNN*3モデルの再学習が必要であり、学習やその検証に時間を要し、品種が増えるにつれて、その手間が増大していました。今回、システムに追加された新しい種類の物品に対して、その物品の認識に特化したDNNモデルのみを新たに学習するインクリメント型AI学習技術を開発しました。これにより、登録済の物品に対する再学習が不要となり、登録済みの物品に対する認識精度を維持したまま、新しい物品の追加登録が容易になりました。

2. 高い認識精度を実現するシミュレーション生成画像と現場の実画像を併用した物品学習技術

DNNモデルを学習するためには、その物品種に対する大量の画像と、それに対するアノテーション(ラベル付け)が必要となりますが、アノテーションされた数多くの画像を準備することは容易ではないため、シミュレーションによりこれらを生成する技術*4が知られています。しかし、エッジデバイスに搭載可能な軽量のDNNモデルをシミュレーション生成画像により学習し、現場の実画像の認識に適用したところ、物品認識精度が著しく低下する問題がありました。今回、シミュレーション生成画像で学習後、少量(約15%)の現場の実画像でさらに学習する技術を開発しました。これにより、学習するDNNモデルのサイズを1/10に低減しても、現場の実画像に対して、96%以上の認識精度を維持できることを確認しました*5。

3. マルチスレッド動作による高速物品認識技術

インクリメント型AI学習では、各物品種を認識するためのDNNモデルが別々に存在します。そのため、全ての物品種を網羅した認識を行うためには、これらのDNNモデルを全て動作させる必要がありますが、これらを逐次動作させると、認識に時間を要します。そこで、ハードウェアのマルチスレッド機能を活用して、上記2の技術により学習した各物品種用の軽量DNNモデルを並列に動作させる技術を開発しました。各スレッドに各DNNモデルの実行を割り当てることで、物品種の識別や位置検出を約2倍高速に行うことが可能になりました。

*1　工数とは10物品種のシステムの学習所要時間にもとづき算出。
*2　進化型オートメーションの実現に向けたロボット自律協調技術の開発(日立評論)
　　https://www.hitachihyoron.com/jp/archive/2010s/2019/03/05b05/index.html#cpr-4
*3　DNN：Deep Neural Network。多数のニューロンを結合した構成により、認識などのAI処理を実行する。
*4　シミュレーション生成画像を用いた学習技術：日立製作所 学会発表 「手持ちカメラを用いた物体認識のための3Dモデル流用判定技術の開発」、
　　 ROBOMECH2020, 2020年5月28日。
*5　誤認識し、取り逃した物品は、環状ベルトコンベアにより、再ピッキングを行う。

照会先

株式会社日立製作所 研究開発グループ
問い合わせフォームへ