Una ricerca, presentata in occasione della European Conference on Computer Vision – svoltasi a Malmö, in Svezia, dall’8 al 12 settembre, ha mostrato come l’intelligenza artificiale possa aiutare l‘addestramento di modelli di computer vision nei contesti delle attività di magazzino. Ad opera dello staff guidato da Andrea Mirabile, Senior Director of AI Research di Zebra Technologies Corporation, lo studio si concentra su operazioni quotidiane quali lo stoccaggio a scaffale, la predisposizione della merce a terra e su pallet e sul carico dei camion.
Riproducendo in modo realistico danni, disposizioni e altre condizioni tipiche degli ambienti di magazzino reali, il dataset STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes) consente ai modelli di computer vision di raggiungere una maggiore precisione rispetto all’addestramento basato esclusivamente su immagini reali o su dataset sintetici tradizionali.
“Rendendo disponibile il dataset STRIPES, mettiamo a disposizione delle comunità accademiche e industriali, dei partner e dei clienti di Zebra un nuovo e potente strumento per accelerare lo sviluppo della prossima generazione di automazione intelligente – ha dichiarato Andrea Mirabile -. La nostra ricerca e le nostre soluzioni stanno contribuendo a creare una connessione sempre più stretta tra mondo fisico, dati, intelligence ed esecuzione. Stiamo dimostrando come l’AI possa offrire una maggiore visibilità degli asset e portare l’intelligence direttamente nelle attività in prima linea”.
Il framework alla base del dataset genera scene che riflettono la complessità di un magazzino reale. I ricercatori hanno sviluppato una pipeline sofisticata fondata su tre pilastri: generazione di immagini con IA, simulazione dell’usura e disordine, simulato secondo leggi fisiche. A questo proposito, il team ha utilizzato tecniche di simulazione della gravità per riprodurre una disposizione delle scatole verosimile a scenari reali. In questo modo ha ricreato le disposizioni fitte, inclinate e incastrate tipiche delle diverse fasi operative.
Per quanto riguarda la parte della generazione di immagini, anziché utilizzare modelli 3D statici, i ricercatori hanno sfruttato l’IA generativa per creare una libreria diversificata di 30.000 immagini, con 3.000 texture e geometrie uniche di scatole e un milione di oggetti etichettati. Nel farlo, i ricercatori hanno riprodotto condizioni realistiche come schiacciamenti, ammaccature, polvere superficiale e pellicole di plastica, per simulare il deterioramento delle scatole durante la movimentazione e il trasporto.
Il dataset è stato confrontato con modelli compatti di computer vision basati sull’IA di ultima generazione, ottimizzati per l’implementazione in tempo reale su dispositivi edge nelle applicazioni di magazzino.
L’addestramento con STRIPES, seguito dal fine-tuning su dati reali, ha prodotto miglioramenti costanti nell’accuratezza del rilevamento degli oggetti rispetto all’utilizzo di soli dati reali o di soli dati sintetici, con un miglioramento dell’average precision fino al 4,9%. In futuro, le applicazioni potrebbero estendersi alla robotica, alla presa degli oggetti e alla modellazione 3D degli ambienti.