{"id":5805,"date":"2025-02-28T06:56:46","date_gmt":"2025-02-28T05:56:46","guid":{"rendered":"urn:uuid:0f1b9e14-9cb9-4a51-a253-c2decc83f8f3"},"modified":"2025-02-28T06:56:49","modified_gmt":"2025-02-28T05:56:49","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\/it\/blog\/human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics\/","title":{"rendered":"L’ingegno umano: Il viaggio di Kippei Matsuda’dal vincitore del concorso NFL AI allo sviluppatore di soluzioni AI presso Kawasaki Robotics."},"content":{"rendered":"\n

L’ingegnere di Kawasaki Robotics Kippei Matsuda ha compiuto un’impresa straordinaria vincendo il concorso “NFL Health & Safety – Helmet Assignment” nel 2022, un evento altamente competitivo ospitato dalla National Football League (NFL) e da Amazon.com, Inc. su Kaggle, una piattaforma globale di analisi dei dati AI. Abbiamo parlato con Matsuda di come ha vinto la competizione contro ambiziosi sviluppatori di AI a livello globale e di come Kawasaki Robotics stia attualmente sviluppando la tecnologia per varie soluzioni.<\/p>\n\n\n\n

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

\"\"
Kippei Matsuda: Dipartimento di sviluppo della tecnologia dei robot, Centro di sviluppo della tecnologia di sistema, Divisione di sviluppo tecnologico. Dr. (Ingegneria)<\/figcaption><\/figure>\n\n\n\n

Descrivete la sfida dell’NFL, la soluzione e cosa l’ha resa entusiasmante?<\/h2>\n\n\n\n

Il concorso mirava a identificare le collisioni tra giocatori, con pi\u00f9 di 1.000 scienziati dei dati in tutto il mondo in competizione per costruire una soluzione accurata utilizzando i filmati delle partite della NFL e le informazioni dei sensori. Il football americano \u00e8 noto per essere uno degli sport pi\u00f9 duri e fisicamente impegnativi al mondo, con contatti ad alto impatto e, sebbene i giocatori indossino protezioni, gli infortuni sono frequenti. Le collisioni con la testa, in particolare, spesso causano lesioni gravi o disabilit\u00e0, ed \u00e8 stato difficile trovare modi per ridurre l’impatto delle collisioni e un trattamento efficace dopo un infortunio.<\/p>\n\n\n\n

Se potessimo identificare con precisione quali giocatori hanno subito un impatto alla testa durante una partita, potremmo somministrare efficacemente il trattamento e far progredire la ricerca sugli effetti dei caschi e su come mitigare l’impatto. Svolgere questo tipo di ricerca manualmente sarebbe estremamente dispendioso in termini di tempo, quindi la NFL ha indetto questo concorso per utilizzare la tecnologia AI per risolvere questo problema.<\/p>\n\n\n\n

\n

La chiave per vincere questa competizione \u00e8 stata la riuscita integrazione di due tipi di dati distinti, le informazioni video e quelle dei sensori. Abbiamo utilizzato le immagini video per identificare le collisioni dei giocatori e abbiamo stimato le posizioni dei giocatori utilizzando i sensori ad essi collegati. Lo sviluppo di un sistema di intelligenza artificiale che analizzava e prevedeva meticolosamente anche i pi\u00f9 piccoli cambiamenti di posizione e postura dei giocatori, come accovacciarsi o cadere, ci ha contraddistinto. Questa innovazione ha migliorato notevolmente la nostra precisione rispetto agli altri partecipanti. Di conseguenza, la nostra velocit\u00e0 di elaborazione \u00e8 stata 83 volte superiore a quella delle operazioni manuali e i compiti che richiedevano 3-4 giorni potevano ora essere completati in sole 2 ore, il che \u00e8 stato molto apprezzato.<\/span><\/strong><\/em><\/p>\nKippei Matsuda<\/span><\/cite><\/blockquote>\n\n\n\n

In generale, l’analisi delle immagini dell’intelligenza artificiale comporta il rilevamento di oggetti nelle immagini, ma in questa competizione abbiamo dovuto considerare le posizioni tridimensionali (3D) dei giocatori in campo sullo schermo, una sfida entusiasmante che non avevamo mai affrontato prima. \u00c8 difficile analizzare i dati perch\u00e9 bisogna guardarli pi\u00f9 volte, ma il video della NFL era cos\u00ec potente che mi sono divertito a guardarlo pi\u00f9 volte. Grazie a questo, alla fine della competizione, ero in grado di immaginare i movimenti dei giocatori solo guardando i titoli dei video.<\/p>\n\n\n\n

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

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

Cosa l’ha spinta a partecipare alla sfida NFL e quali sono stati i risultati?<\/h2>\n\n\n\n

Tutto \u00e8 iniziato pensando che potesse far parte dei miei studi. Gli aspetti teorici possono essere appresi da libri e altre fonti, ma sapere come utilizzare i dati reali ed eseguire una simulazione \u00e8 difficile. Come sviluppatore, toccare e analizzare i dati e ripetere prove ed errori \u00e8 essenziale. Sono stato attratto dal concorso perch\u00e9 forniva materiali che portavano all’apprendimento pratico”.<\/p>\n\n\n\n

“Partecipare al concorso mi ha permesso di mettere in pratica lo sviluppo dell’intelligenza artificiale”.<\/mark><\/span><\/em><\/p>Kippei Matsuda <\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Onestamente, non ho mai pensato che il concorso in s\u00e9 fosse difficile; ci\u00f2 che \u00e8 stato difficile \u00e8 stato trovare il tempo per i miei studi e la mia famiglia, dato che ho lavorato a questo progetto durante il mio tempo libero. Quando giocavo con i miei figli al parco, all’improvviso pensavo: “Forse potrei fare quella parte in questo modo”, e mi preoccupavo. Era difficile rilassarsi.<\/p>\n\n\n\n

Ero in treno e tremavo. Fin dall’inizio di questo progetto, non pensavo di poter vincere, ma quando l’ho fatto ero entusiasta. Non mi sono lamentata della vittoria e sono stata felice di condividere la notizia con tutti quelli che mi circondavano. Quel giorno non sono riuscito a lavorare!<\/p>\n\n\n\n

Come lavora oggi alla Kawasaki Robotics con la visione AI?<\/h2>\n\n\n\n

Attualmente mi occupo dello sviluppo di prodotti che utilizzano la visione AI specificamente per la robotica. L’intelligenza artificiale analizza le immagini catturate dalle telecamere e le elabora in vari modi; ad esempio, nella nostra soluzione di depalettizzazione, elabora le immagini dei prodotti che devono essere scaricati. Le soluzioni di depalettizzazione sono utilizzate per migliorare l’efficienza di scarico nei centri di distribuzione e nelle fabbriche. La soluzione di depalettizzazione \u00e8 dotata di visione AI 3D ed \u00e8 in grado di effettuare analisi altamente sofisticate del carico che gestisce.<\/p>\n\n\n\n

La soluzione di depallettizzazione di Kawasaki Robotics \u00e8 dotata di visione AI 3D ed \u00e8 in grado di effettuare analisi altamente sofisticate del carico che gestisce. Specializzandoci nello scarico, abbiamo ottenuto prestazioni elevate a costi contenuti.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Lo scarico manuale \u00e8 molto costoso e richiede molto tempo, e le soluzioni robotiche convenzionali non sono abbastanza flessibili per gestire il lavoro. A questo proposito, la nostra soluzione di depalettizzazione \u00e8 riuscita ad aumentare la precisione e la velocit\u00e0 delle operazioni di scarico automatizzate rispetto alle soluzioni convenzionali. <\/p>\n\n\n\n

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

Ad esempio, con le soluzioni robotiche tradizionali, tutte le dimensioni e le forme delle confezioni devono essere registrate prima di essere prelevate. Se i colli di forma non registrata entrano nel flusso di lavoro, non possono essere lavorati. La nostra soluzione di depallettizzazione, invece, richiede la registrazione solo delle dimensioni pi\u00f9 piccole e pi\u00f9 grandi e tutti i colli possono essere lavorati.<\/p>\n\n\n\n

Nei sistemi robotizzati tradizionali, il robot deve conoscere le dimensioni e la forma corretta del prodotto da trattare. Per riconoscere e confermare le dimensioni e la forma del prodotto \u00e8 necessaria una telecamera. Se viene confermata la correttezza, il braccio robotico preleva il prodotto, ma l’apprendimento del sistema richiede molto tempo.<\/p>\n\n\n\n

La nostra soluzione di depalettizzazione non richiede alcuna registrazione preliminare del prodotto, a parte le dimensioni minime e massime, riducendo in modo significativo i tempi di apprendimento.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Il motivo principale per cui la soluzione di depallettizzazione di Kawasaki Robotics ha avuto successo \u00e8 che abbiniamo un hardware di telecamere a basso costo con il nostro robusto software di intelligenza artificiale per elaborare immagini complesse di prodotti senza un mucchio di componenti aggiuntivi. Abbiamo ottenuto una soluzione ad alte prestazioni e facile da usare concentrandoci sullo sviluppo di un sistema di depalettizzazione e, restringendo le funzioni, abbiamo ottenuto prestazioni migliori in termini di costi rispetto ai prodotti di altre aziende, rendendo pi\u00f9 facile per le aziende introdurre il prodotto.<\/p>\n\n\n\n

\"\"
Himekawa, responsabile dello sviluppo del prodotto (appartenente alla sezione 2 dei sistemi per uso generale, dipartimento dei sistemi per uso generale, divisione robot).<\/figcaption><\/figure>\n\n\n\n

Come continueranno a svilupparsi le soluzioni di depalettizzazione e AI?<\/h2>\n\n\n\n

Credo che l’efficienza delle soluzioni di depallettizzazione aumenter\u00e0 con la raccolta di un numero sempre maggiore di dati e con i progressi dell’apprendimento dell’intelligenza artificiale. Ad esempio, una delle difficolt\u00e0 nello sviluppo di una soluzione di depallettizzazione era rappresentata dalle stringhe e dai nastri sulla superficie delle confezioni. Quando l’intelligenza artificiale li vede, pu\u00f2 confondere le stringhe con i confini del cartone. Potrebbe quindi decidere che la scatola \u00e8 pi\u00f9 piccola di quanto sia in realt\u00e0 e prenderla per errore. Tuttavia, se in futuro il sistema verr\u00e0 utilizzato in diversi siti e verranno raccolti dati, sar\u00e0 in grado di apprendere pi\u00f9 varianti di confezioni. In questo modo, anche se una scatola presenta lacci, nastro adesivo o adesivi, il robot potr\u00e0 scaricarla in modo appropriato in base alla sua esperienza passata, senza essere tratto in inganno. Sar\u00e0 necessario raccogliere molti dati di buona qualit\u00e0 per il robot.<\/p>\n\n\n\n

Penso anche che l’intelligenza artificiale, chiamata modello di infrastruttura, sar\u00e0 fondamentale. Un esempio \u00e8 ChatGPT, che ha attirato molta attenzione negli ultimi anni. Poich\u00e9 il modello sottostante \u00e8 stato addestrato sulla base di una grande quantit\u00e0 di dati, ha una capacit\u00e0 di riconoscimento molto elevata, una sorta di buon senso. I modelli fondamentali sono in grado di gestire una variet\u00e0 di informazioni, tra cui testo, immagini e suoni, e hanno il potenziale per espandere drasticamente l’uso dei robot, non solo nella logistica. In futuro, vorrei espandere l’uso dell’IA facendo buon uso dei dati e del modello di base.<\/p>\n\n\n\n

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

Fare clic qui per la pagina del prodotto Depalletizing Solution (giapponese)<\/a><\/strong><\/p>\n\n\n\n

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

\n