{"id":5769,"date":"2025-02-28T06:58:56","date_gmt":"2025-02-28T05:58:56","guid":{"rendered":"urn:uuid:fedd10f7-d10c-49c3-9b09-908ab0526095"},"modified":"2025-02-28T06:58:58","modified_gmt":"2025-02-28T05:58:58","slug":"human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics","status":"publish","type":"post","link":"https:\/\/kawasakirobotics.com\/dk\/blog\/human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics\/","title":{"rendered":"Menneskelig opfindsomhed: Kippei Matsuda’s rejse fra vinder af NFL AI-konkurrence til udvikler af AI-l\u00f8sninger hos Kawasaki Robotics."},"content":{"rendered":"\n

Kawasaki Robotics-ingeni\u00f8r Kippei Matsuda opn\u00e5ede en bem\u00e6rkelsesv\u00e6rdig bedrift ved at vinde konkurrencen “NFL Health & Safety – Helmet Assignment” i 2022, en st\u00e6rkt konkurrencepr\u00e6get begivenhed arrangeret af National Football League (NFL) og Amazon.com, Inc. p\u00e5 Kaggle, en global AI-konkurrenceplatform for dataanalyse. Vi talte med Matsuda om, hvordan han vandt konkurrencen mod ambiti\u00f8se AI-udviklere fra hele verden, og hvordan Kawasaki Robotics i \u00f8jeblikket udvikler teknologien til forskellige l\u00f8sninger.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Kippei Matsuda: Robot Technology Development Department, System Technology Development Center, Technology Development Division. Dr. (ingeni\u00f8r)<\/figcaption><\/figure>\n\n\n\n

Beskriv NFL-udfordringen, l\u00f8sningen, og hvad der gjorde den sp\u00e6ndende?<\/h2>\n\n\n\n

Konkurrencen havde til form\u00e5l at identificere spillerkollisioner, og mere end 1.000 dataforskere verden over konkurrerede om at bygge en n\u00f8jagtig l\u00f8sning ved hj\u00e6lp af optagelser fra NFL-kampe og sensorinformation. Amerikansk fodbold er kendt for at v\u00e6re en af de h\u00e5rdeste og mest fysisk kr\u00e6vende sportsgrene i verden med meget kontakt, og selv om spillerne b\u00e6rer beskyttelsesudstyr, er skader hyppige. Is\u00e6r hovedkollisioner resulterer ofte i alvorlige skader eller handicap, og det har v\u00e6ret en udfordring at finde m\u00e5der at reducere virkningen af kollisioner p\u00e5 sammen med effektiv behandling, efter at en skade er opst\u00e5et.<\/p>\n\n\n\n

Hvis vi n\u00f8jagtigt kunne identificere, hvilke spillere der havde sl\u00e5et hovedet i l\u00f8bet af en kamp, kunne vi give effektiv behandling og fremme forskningen i hjelmens virkning og i, hvordan man kan mindske p\u00e5virkningen. At udf\u00f8re denne type forskning manuelt ville v\u00e6re ekstremt tidskr\u00e6vende, s\u00e5 NFL afholdt denne konkurrence for at bruge AI-teknologi til at l\u00f8se dette problem.<\/p>\n\n\n\n

\n

N\u00f8glen til at vinde denne konkurrence var den vellykkede integration af to forskellige datatyper, video og sensorinformation. Vi brugte videobilleder til at identificere spillerkollisioner og estimerede spillerpositioner ved hj\u00e6lp af sensorer, der var fastgjort til spillerne. Udviklingen af et AI-system, der omhyggeligt analyserede og forudsagde selv de mindste \u00e6ndringer i spillernes position og kropsholdning, s\u00e5som at sidde p\u00e5 hug eller falde, skilte os ud. Denne innovation forbedrede vores n\u00f8jagtighed betydeligt i forhold til andre deltagere. Resultatet var, at vores behandlingshastighed var 83 gange hurtigere end manuel betjening, og opgaver, der tog 3-4 dage, kunne nu klares p\u00e5 bare 2 timer, hvilket vi satte stor pris p\u00e5.<\/span><\/strong><\/em><\/p>\nKippei Matsuda<\/span><\/cite><\/blockquote>\n\n\n\n

Generelt handler AI-billedanalyse om at opdage objekter i billeder, men i denne konkurrence skulle vi tage h\u00f8jde for spillernes tredimensionelle (3D) positioner p\u00e5 banen p\u00e5 sk\u00e6rmen, hvilket var en sp\u00e6ndende udfordring, som vi aldrig havde pr\u00f8vet f\u00f8r. Det er sv\u00e6rt at analysere data, fordi man er n\u00f8dt til at se p\u00e5 dem igen og igen, men NFL-videoen var s\u00e5 st\u00e6rk, at jeg n\u00f8d at se den igen og igen. Takket v\u00e6re dette var jeg ved konkurrencens afslutning i stand til at forestille mig spillernes bev\u00e6gelser bare ved at se p\u00e5 videoernes titler.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Hvad fik dig til at deltage i NFL-udfordringen, og hvad var resultatet?<\/h2>\n\n\n\n

Det hele startede med, at jeg t\u00e6nkte, at det kunne v\u00e6re en del af mine studier. Teoretiske aspekter kan l\u00e6res fra b\u00f8ger og andre kilder, men det er sv\u00e6rt at vide, hvordan man bruger faktiske data og k\u00f8rer en simulation. Som udvikler er det vigtigt at r\u00f8re ved og analysere data og gentage fors\u00f8g og fejl. Jeg blev tiltrukket af konkurrencen, fordi den indeholdt materialer, der f\u00f8rte til praktisk l\u00e6ring.<\/p>\n\n\n\n

“At deltage i konkurrencen gav mig mulighed for at oms\u00e6tte AI-udvikling til praksis”<\/mark><\/span><\/em><\/p>Kippei Matsuda <\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

\u00c6rlig talt f\u00f8lte jeg aldrig, at selve konkurrencen var sv\u00e6r; det, der var sv\u00e6rt, var at finde tid til mine studier og min familie, da jeg arbejdede p\u00e5 det i min fritid. N\u00e5r jeg legede med mine b\u00f8rn i parken, t\u00e6nkte jeg pludselig: “M\u00e5ske kunne jeg g\u00f8re den del p\u00e5 denne m\u00e5de”, og det generede mig. Det var sv\u00e6rt at slappe af.<\/p>\n\n\n\n

Jeg sad i toget og rystede. Fra starten af projektet troede jeg ikke, at jeg kunne vinde, men da jeg gjorde, var jeg begejstret. Jeg klager ikke over at have vundet, og jeg var glad for at dele nyheden med alle omkring mig. Jeg kunne n\u00e6sten ikke f\u00e5 noget arbejde gjort den dag!<\/p>\n\n\n\n

Hvordan arbejder du med AI-vision i dag hos Kawasaki Robotics?<\/h2>\n\n\n\n

Jeg er i \u00f8jeblikket involveret i at udvikle produkter, der udnytter AI-vision specifikt til robotteknologi. AI analyserer billeder, der er optaget af kameraer, og behandler dem p\u00e5 forskellige m\u00e5der; i vores depalleteringsl\u00f8sning behandler den f.eks. billeder af det produkt, der skal l\u00e6sses af. Depalleteringsl\u00f8sninger bruges til at forbedre afl\u00e6sningseffektiviteten p\u00e5 distributionscentre og fabrikker. Depalleteringsl\u00f8sningen er udstyret med 3D AI-vision og er i stand til at foretage meget sofistikerede analyser af det gods, den h\u00e5ndterer.<\/p>\n\n\n\n

Kawasaki Robotics’ depalleteringsl\u00f8sning er udstyret med 3D AI-vision og er i stand til at foretage meget avancerede analyser af det gods, den h\u00e5ndterer. Ved at specialisere os i afl\u00e6sning har vi opn\u00e5et h\u00f8j ydeevne til en lav pris.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Manuel losning er meget kostbar og tidskr\u00e6vende, og konventionelle robotl\u00f8sninger er ikke fleksible nok til at h\u00e5ndtere arbejdet. I den henseende er det lykkedes vores depalleteringsl\u00f8sning at \u00f8ge n\u00f8jagtigheden og hastigheden af automatiserede afl\u00e6sningsoperationer sammenlignet med konventionelle l\u00f8sninger. <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Med konventionelle robotsysteml\u00f8sninger skal alle pakkest\u00f8rrelser og -former f.eks. registreres, f\u00f8r de plukkes. Hvis pakker med uregistrerede former kommer ind i workflowet, kan de ikke behandles. Vores depalleteringsl\u00f8sning kr\u00e6ver dog kun, at de mindste og st\u00f8rste st\u00f8rrelser registreres, og alle pakker kan behandles.<\/p>\n\n\n\n

I konventionelle robotsystemer skal robotten kende den korrekte st\u00f8rrelse og form p\u00e5 det produkt, der skal h\u00e5ndteres. Et kamera er n\u00f8dvendigt for at genkende og bekr\u00e6fte produktets st\u00f8rrelse og form. Hvis det bekr\u00e6ftes, at det er korrekt, vil robotarmen plukke produktet, og det er en tidskr\u00e6vende proces at l\u00e6re systemet det.<\/p>\n\n\n\n

Vores depalleteringsl\u00f8sning kr\u00e6ver ingen forudg\u00e5ende produktregistrering ud over minimums- og maksimumsdimensionerne, hvilket reducerer undervisningstiden betydeligt.<\/p>KippeiMatsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Hoved\u00e5rsagen til, at Kawasaki Robotics’ depalleteringsl\u00f8sning har v\u00e6ret en succes, er, at vi parrer billig kamerahardware med vores robuste AI-software til at behandle komplekse produktbilleder uden en masse ekstraudstyr. Vi opn\u00e5ede en h\u00f8jtydende og brugervenlig l\u00f8sning ved at fokusere p\u00e5 at udvikle et depalleteringssystem, og ved at indsn\u00e6vre funktionerne opn\u00e5ede vi en bedre omkostningseffektivitet end andre virksomheders produkter, hvilket g\u00f8r det lettere for virksomheder at introducere produktet.<\/p>\n\n\n\n

\"\"
Himekawa, leder af produktudviklingen (tilh\u00f8rer General-Purpose System Section 2, General-Purpose System Department, Robot Division)<\/figcaption><\/figure>\n\n\n\n

Hvordan vil depalletering og AI-l\u00f8sninger forts\u00e6tte med at udvikle sig?<\/h2>\n\n\n\n

Jeg tror, at effektiviteten af depalleteringsl\u00f8sninger vil stige, efterh\u00e5nden som der indsamles flere og flere data, og AI-l\u00e6ringen skrider frem. For eksempel var en af vanskelighederne ved at udvikle en depalleteringsl\u00f8sning snorene og b\u00e5ndene p\u00e5 overfladen af pakkerne. N\u00e5r AI ser dem, kan den forveksle snorene med gr\u00e6nserne for pappet. Den kan s\u00e5 beslutte, at kassen er mindre, end den faktisk er, og tage den ved en fejltagelse. Men hvis systemet bruges forskellige steder i fremtiden, og der indsamles data, vil det v\u00e6re i stand til at l\u00e6re flere variationer af pakker. S\u00e5 selv om en kasse har snore, tape eller klisterm\u00e6rker, kan robotten afl\u00e6sse den korrekt baseret p\u00e5 dens tidligere erfaringer uden at blive vildledt. Det bliver n\u00f8dvendigt at indsamle en masse data af god kvalitet til robotten.<\/p>\n\n\n\n

Jeg tror ogs\u00e5, at AI, kaldet infrastrukturmodellen, bliver n\u00f8glen. Et eksempel er ChatGPT, som har tiltrukket sig meget opm\u00e6rksomhed i de senere \u00e5r. Da den underliggende model er tr\u00e6net p\u00e5 baggrund af en stor m\u00e6ngde data, har den en meget h\u00f8j genkendelsesevne, en slags sund fornuft. Grundl\u00e6ggende modeller kan h\u00e5ndtere en r\u00e6kke forskellige oplysninger, herunder tekst, billeder og lyd, og har potentiale til at udvide brugen af robotter dramatisk, ikke kun inden for logistik. I fremtiden vil jeg gerne udvide brugen af AI ved at g\u00f8re god brug af data og den grundl\u00e6ggende model.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Klik her for produktsiden for Depalletizing Solution (japansk)<\/a><\/strong><\/p>\n\n\n\n

<\/p>\n\n\n\n

\n