15 января 2025 г.
Институт статистических исследований и экономики знаний НИУ ВШЭ с помощью системы анализа больших данных iFORA определил ключевые направления развития промышленной робототехники, которые будут актуальны в ближайшее десятилетие.
Справочно: система интеллектуального анализа больших данных iFORA разработана ИСИЭЗ НИУ ВШЭ с применением передовых технологий искусственного интеллекта и включает более 800 млн документов (научные публикации, патенты, нормативная правовая база, рыночная аналитика, отраслевые медиа, материалы международных организаций, вакансии и другие виды источников). В 2020 г. iFORA отмечена в журнале Nature в качестве эффективного инструмента поддержки принятия решений в интересах бизнеса и органов власти. ОЭСР относит систему к успешным инициативам в области цифровизации науки. Данный выпуск продолжает серию аналитических обзоров ИСИЭЗ НИУ ВШЭ о текущем статусе и перспективах развития робототехники в России и мире.
Парк промышленных роботов в мире превышает 4 млн единиц, их число только за последние 10 лет утроилось, а с 2018 г. ежегодно увеличивалось в среднем на 12%. На радикальное расширение линейки подобных устройств и областей их применения (в том числе в таких недооцененных секторах, как текстильная промышленность или фармацевтика) влияет активное развитие цифровых технологий, определяющих тренды роботизации промышленности (рис. 1).
Промышленные роботы становятся неотъемлемым элементом современного производства и своеобразным маркером его соответствия передовому уровню технологий. От громоздких устройств, требующих специальных условий для установки и обслуживания, происходит постепенный переход к компактным устройствам, готовым к работе в тесном взаимодействии с человеком. Коботы (№ 1 в рейтинге) могут выполнять те же операции, что и классические промышленные роботы, но являются более безопасными, что позволяет применять их в одном пространстве с людьми и напрямую взаимодействовать с ними. Способность коботов реагировать на команды человека непосредственно в процессе выполнения работы упрощает интеграцию роботизированных систем в производство. С 2018 по 2023 гг. доля коботов среди всех промышленных устройств возросла более чем вдвое, при этом число таких установок продолжает увеличиваться ежегодно. Следующим шагом в расширении коллаборации между человеком и роботом станут самообучающиеся антропоморфные (гуманоидные) роботы.
Другой ключевой драйвер спроса — возможность интеллектуализации промышленных роботов, в первую очередь благодаря интеграции ИИ-решений (№ 2). Современные роботы становятся умными, автономными и более маневренными. Интеллектуализация ускоряет и повышает качество вычислений, определяющих кинематику робота, обеспечивает генерацию обучающих наборов данных, снижает процент брака на производстве и предотвращает возможные простои, в т. ч. за счет использования компьютерного зрения и предиктивной аналитики. Машинное обучение делает роботов более адаптивными: они могут самостоятельно без вмешательства человека корректировать свои действия, обнаружив отклонения в процессе. Ожидается, что мировой рынок ИИ в робототехнике, объем которого составляет 17 млрд долл., будет демонстрировать стабильный рост (порядка 25% ежегодно).
Для управления большими парками автономных роботов на производствах или складах, которым необходимо взаимодействовать друг с другом в режиме реального времени, используется особый вид ИИ-алгоритмов — роевой интеллект (№ 8). Работающие в рое роботы способны коллективно без необходимости в централизованном управлении решать задачи, связанные со сборкой или логистикой, также они имеют большой потенциал применения в сельском хозяйстве и строительстве. Роевой интеллект обеспечивает большую устойчивость к сбоям, так как роботы могут быстро перенастраиваться в случае отказа одного из них. Опыт индийских предприятий по применению роевых роботов Unbox Robotics, оснащенных интеллектуальной системой, показал, что их использование в складском хозяйстве и логистике позволяет повысить эффективность процесса сортировки товаров на
Интеграция роботизированных устройств сопряжена с затратами на внедрение новых технологий, а также другими издержками, в частности из-за потенциальных сбоев оборудования. Применение цифровых двойников (№ 3), виртуальных моделей физических роботов, позволяет тестировать и оптимизировать системы как в процессе эксплуатации, так и на других стадиях, вплоть до их фактического внедрения. Цифровые копии помогают прогнозировать поведение оборудования и оперативно вносить изменения в производственные линии без остановки реального производства. Цифровые двойники в роботизированном производстве уже активно используются многими ведущими мировыми компаниями. Например, Siemens благодаря внедрению цифрового двойника робота-сборщика на заводе электронного оборудования в Эрлангене (Германия) на 40% сократила расход материалов и на 10% повысила точность сборки, минимизировав время производства продуктов. Используемые главным образом в целях дистанционного управления технологии VR/AR (№ 5), в т. ч. VR-аватары, также позволяют тестировать и корректировать программы роботов в виртуальной среде до их реального внедрения на производство.
В отличие от коботов, нацеленных на работу вместе с людьми, автономные мобильные роботы (№ 4) обладают высоким уровнем самостоятельности и не требуют постоянного контроля оператора. Благодаря этому значительно упрощаются логистика и другие процессы в промышленности, в т. ч. за счет функции планирования траектории движения на основе обучения с подкреплением. Робот автономно взаимодействует с внешней средой, которая может быть не определена заранее. В результате оценки пространства, например с использованием лидаров, вырабатывается оптимальная траектория.
Немаловажной задачей становится повышение ловкости и маневренности, а также точности и грузоподъемности современных промышленных роботов. Мобильные манипуляторы (MoMas) (№ 6), которые легко интегрируются в существующие производственные линии, при этом могут перемещаться по цехам и выполнять различные задачи, начиная от транспортировки материалов и заканчивая сборкой или обработкой деталей, значительно усиливают адаптивность производства. Специальные высокоточные роботы (№ 7) востребованы в таких отраслях, как медицина и авиастроение, где критически важно выполнение мелких операций с минимальной погрешностью. Предназначенные для работы с объектами весом до 5 тонн роботы с повышенной грузоподъемностью (№ 9) могут оптимизировать производственные процессы. Например, использование роботов с вакуумными захватами увеличивает грузоподъемность до 10 раз по сравнению с электромеханическими аналогами.
Модели промышленных роботов для освоения космоса (№ 10) выполняют сложные манипуляции в экстремальных условиях (микрогравитации) и могут применяться для строительства инфраструктуры на поверхности малых небесных тел или спутников, обслуживания космических станций, ремонта космических аппаратов. Эксплуатация подобных роботов может уменьшить стоимость космического строительства и ремонта примерно в 100 раз. Это открывает новые перспективы автоматизации космических миссий и, в частности, освоения Луны и Марса.
Резюме
Главные тренды роботизации промышленности связаны с непрерывным развитием цифровых технологий, обеспечивающих те или иные улучшения робототехнических устройств как на уровне конструктивных и функциональных характеристик, так и подходов к управлению ими. Ключевыми задачами становятся повышение точности и надежности оборудования, а также увеличение мобильности и грузоподъемности роботов. Эффективное управление робототехническими системами достигается главным образом за счет внедрения решений на основе ИИ, а также использования роевого интеллекта и интеграции с цифровыми двойниками и AR/VR.
Источники: расчеты на основе системы интеллектуального анализа больших данных iFORA (правообладатель — ИСИЭЗ НИУ ВШЭ); результаты проекта «Исследование потенциала развития отрасли промышленной робототехники и станкостроения в 2025 г. и разработка рекомендаций по повышению эффективности мер ее поддержки» тематического плана научно-исследовательских работ, предусмотренных Государственным заданием НИУ ВШЭ в 2025 г.
Источник: Софья Приворотская и Анастасия Малашина, ИСИЭЗ НИУ ВШЭ
