Zebra Technologies Corporation , líder mundial en la digitalización y automatización de flujos de trabajo para ofrecer operaciones inteligentes, ha revelado cómo un equipo de sus investigadores en inteligencia artificial ha combinado esta tecnología con física para superar la brecha entre los datos de simulación y los del mundo real a la hora de entrenar modelos de visión por computador para el almacenamiento en estanterías de almacén, la organización en el suelo y en palés y la carga de camiones.

Al simular de forma realista los daños físicos, el desorden y el caos de estos entornos del mundo real, el conjunto de datos STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes) de Zebra permite a los modelos de visión por computador percibir el entorno con mayor precisión que si se utilizaran únicamente imágenes reales o conjuntos de datos sintéticos tradicionales.

“Con la publicación del conjunto de datos STRIPES, ofrecemos una nueva y potente herramienta a las comunidades académicas e industriales, así como a los socios y clientes de Zebra, para acelerar el desarrollo de la próxima generación de automatización inteligente”, afirmó Andrea Mirabile, Senior Director of AI Research en Zebra Technologies.

El marco en el que se basa STRIPES genera escenas que reflejan la complejidad de un almacén real. Los investigadores desarrollaron un sofisticado proceso con tres innovaciones clave:

• Generación de imágenes mediante IA: en lugar de utilizar modelos 3D estáticos, los investigadores aprovecharon la IA generativa para crear una biblioteca variada de 30.000 imágenes con 3.000 texturas y geometrías únicas de cajas y un millón de objetos etiquetados.
• Desgaste simulado: los investigadores aplicaron daños estructurales realistas como aplastamientos, abolladuras, polvo en la superficie y envoltorios de plástico para imitar la degradación de las cajas durante su manipulación y transporte.
• Desorden basado en la física: el equipo simuló la gravedad para apilar las cajas en disposiciones físicamente plausibles y, a menudo, caóticas. De este modo se replicaron de forma natural las configuraciones densas, inclinadas y entrelazadas que se dan en tres fases operativas distintas: almacenamiento en estanterías, preparación en el suelo y carga en camiones.

El conjunto de datos se comparó con modelos compactos de visión por computador basados en IA de última generación, optimizados para su implementación en tiempo real en dispositivos periféricos destinados a aplicaciones de almacén.

El entrenamiento con STRIPES, combinado con un ajuste fino basado en datos del mundo real, permitió mejorar de forma consistente la precisión en la detección de objetos frente al entrenamiento realizado únicamente con datos reales o únicamente con datos sintéticos, con una mejora de hasta un 4,9 % en la precisión media. En el futuro, las aplicaciones de STRIPES podrían ampliarse para incluir la manipulación robótica, el agarre y la modelización del mundo en 3D.

“Nuestra investigación y nuestras soluciones están reduciendo la brecha entre las capas física, de datos, de inteligencia y de ejecución”, afirmó Mirabile. “Estamos demostrando cómo la IA aplicada a la primera línea puede ofrecer una mejor visibilidad de los activos e integrar la inteligencia en los flujos de trabajo”.

La investigación se presentó en la 19ª Conferencia Europea sobre Visión por Computador (ECCV por sus siglas en inglés), celebrada del 8 al 12 de septiembre en Malmö (Suecia), una de las conferencias más importantes del mundo en el ámbito de la visión por ordenador. Mirabile y su equipo ya habían conseguido anteriormente el segundo puesto entre 650 equipos en el prestigioso taller RetailVision de la Conferencia sobre Visión por Computador y Reconocimiento de Patrones (CVPR).