AI vezérelt kukás robotok válogatják a szemetet

AI vezérelt AMP ROBOTICS robotok, készen állnak az újrahasznosítható anyagok szortírozására és az emberek helyett elvégzik a kényes munkaterületi munkákat? Kiválogatják a hulladékot, szín, forma és minden jellemző szerint? Elképzelhető, hogy ez működik a hulladék újrahasznosítás során is? 

A tapasztalat az, hogy a számítógépes megfigyelőrendszerek formákat, színeket, sőt még címkéket is használnak az anyagok emberfeletti sebességgel történő azonosításához. Ezt képzeljük el egy képzett, a munkára fejlesztett robotba táplálva.  Képzeljük el azt, hogy készülünk a másnapi munkára. A szemétgyűjtés előtti este van. A házad előtt kitéve a szemét, tele újságpapírral, kartonnal, palackokkal, konzervdobozokkal, fóliás tálcákkal és üres joghurtos dobozokkal. Lehet, hogy hősiesnek érzed magad, és azt gondolod, hogy ezzel is hozzájárulsz a hulladékcsökkentéshez. De miután kiöblíted a joghurtos dobozt, és bedobod a szemetesbe, valószínűleg soha többé nem gondolsz rá.

Ezek a képek neked is ott élnek a tapasztalati emlékeid között? Kellemes emlék vagy rábíznád mondjuk egy robotra? Ahogy van kukás autó lehetne kukás robot? Kérsz egy kukás robotot? Rendelnél belőle?

Az igazság az újrahasznosításról az Egyesült Államok számos részén és Európa nagy részén kézi munkával történik. 

Holnap reggel az újrahasznosított kuka tartalmát egy teherautóba dobják, és elviszik az újrahasznosító üzembe, ahol szétválogatják. Az újrahasznosítható anyagok nagy része feldolgozásra kerül, és végül új termékek előállításához fogják felhasználni. De egy jelentős része a szeméttelepen végzi majd. Sok esetben pedig: vegyes kommunális hulladékként elrohad ami tud. Borzasztó alternatíva.

Mennyi hulladék kerül a szeméttelepre a tipikus hulladéktárolóba kerülő anyagból?

Azokban az országokban, ahol a járdán történő újrahasznosítás működik, ez a szám – az úgynevezett hasznosítási arány – átlagosan 70-90 százalék körül mozog, bár széles körű adatok nem állnak rendelkezésre. Ez nem tűnik rossznak. De egyes településeken ez az arány akár 40 százalékra is csökkenhet.

Ami még rosszabb, hogy az összes újrahasznosítható anyagnak csak kis része kerül a kukákba – az Egyesült Államokban mindössze 32 százaléka, világszerte pedig 10-15 százaléka. Ez rengeteg véges erőforrásokból készült anyag, amely feleslegesen megy kárba.

Ennél többet kell tennünk az újrahasznosításért. Jelenleg az újrahasznosítási iparág pénzügyi válsággal néz szembe, köszönhetően a szelektíven válogatott újrahasznosítható anyagok csökkenő árának, valamint a Kína által 2018-ban bevezetett politikának, amely korlátozza számos újrahasznosításra szánt anyag behozatalát, és kizárja az Egyesült Államokból származó újrahasznosítható anyagok nagy részét.

Van mód arra, hogy még ettől is jobban teljesítsünk.

A számítógépes képfeldolgozás, a gépi tanulás és a robotok segítségével az újrahasznosított anyagok azonosítására és válogatására javíthatjuk az automata válogatógépek pontosságát, csökkenthetjük az emberi beavatkozás szükségességét, és növelhetjük az általános hulladékhasznosítási arányokat.

A kolumbiai Louisville-ben működő Amp Robotics olyan hardvert és szoftvert fejleszt, amely képelemzésre támaszkodva a hagyományos rendszereknél lényegesen nagyobb pontossággal és sokkal nagyobb visszanyerési aránnyal válogatja az újrahasznosítható anyagokat. Más vállalatok is hasonlóan dolgoznak az AI és a robotika újrahasznosításra való alkalmazásán, köztük a Bulk Handling Systems, a Machinex és a Tomra. A technológiát eddig több száz szortírozó létesítményben telepítették világszerte. Használatának kiterjesztése megelőzi a hulladék keletkezését és segíti a környezetet azáltal, hogy az újrahasznosítható anyagok nem kerülnek a hulladéklerakókba, és könnyebben feldolgozhatók és újrafelhasználhatók.

Mielőtt elmagyaráznánk, hogyan fogja a mesterséges intelligencia javítani az újrahasznosítást, nézzük meg, hogyan válogatták az újrahasznosított anyagokat a múltban, és hogyan válogatják őket ma a világ legtöbb részén.

Amikor az újrahasznosítás az 1960-as években kezdődött, a válogatás a fogyasztókra hárult – az újságok egy kötegben, a karton egy másikban, az üveg és a konzervdobozok pedig külön-külön tárolókban. Ez sokak számára túl nagy fáradságnak bizonyult, és korlátozta az újrahasznosítható anyagok összegyűjtött mennyiségét.

Az 1970-es években sok város megszüntette a különböző hulladékgyűjtő kukákat, és egyetlen konténerrel helyettesítette őket, a szelektálás pedig azután történt. Ez az ” egyfolyamos” újrahasznosítás növelte a részvételt, és ma már ez az újrahasznosítás domináns formája a fejlett országokban.

A szelektálás feladatának áthelyezése a hulladékgyűjtő lánc további szakaszára a szelektáló létesítmények építéséhez vezetett. A tényleges válogatáshoz az újrahasznosító vállalkozók a bányászatból és a mezőgazdaságból származó berendezéseket adaptáltak, szükség szerint emberi munkaerővel kiegészítve. Ezek a válogatórendszerek nem rendelkeztek számítógépes intelligenciával, hanem az anyagok fizikai tulajdonságaira támaszkodtak a szétválasztás során. Az üveget például apró darabokra lehet törni, majd szitálni és összegyűjteni. A karton merev és könnyű – képes siklani egy sor mechanikus, bütyökszerű tárcsán, míg más, sűrűbb anyagok a tárcsák közé esnek. A vasfémek mágnesesen elválaszthatók más anyagoktól; a mágnesesség nagy örvényáram segítségével nemvasfémekben, például alumíniumban is előidézhető.

Az 1990-es évekre a NASA által kifejlesztett és először 1972-ben egy műholdon elindított hiperspektrális képalkotás kereskedelmi szempontból is életképessé vált, és kezdett megjelenni az újrahasznosítás világában. Az emberi szemmel ellentétben, amely többnyire a vörös, a zöld és a kék kombinációiban lát, a hiperspektrális érzékelők a képeket sokkal több spektrális sávra osztják. A technológia azon képessége, hogy különbséget tud tenni a különböző műanyagtípusok között, megváltoztatta a játékot az újrahasznosítók számára, és nemcsak az optikai érzékelés, hanem a számítógépes intelligencia is bekerült a folyamatba. Programozható optikai szortírozókat fejlesztettek ki a papírtermékek szétválogatására is, megkülönböztetve például az újságokat a levélszeméttől.

Így ma már a szelektálás nagy része automatizált. Ezek a rendszerek általában 80-95 százalékos pontossággal válogatnak. Ahhoz azonban, hogy a feldolgozás nyereséges legyen, a pontosságnak 95 százaléknál nagyobbnak kell lennie; e küszöbérték alatt az érték csökken, és gyakran semmit sem ér. Ezért az emberek kézzel tisztítják meg az egyes hulladékáramok anyagát, kiszedve a szennyeződéseket, mielőtt az anyagot összepréselik és bálázzák a szállításhoz.

Az automatizált és kézi válogatás ellenére a létesítménybe kerülő anyag körülbelül 10-30 százaléka végül a hulladéklerakóban végzi. A legtöbb esetben ennek az anyagnak több mint a fele újrahasznosítható és pénzt érő, de egyszerűen csak nem vették észre.

A jelenlegi rendszereket a lehető legteljesebb mértékben ki kell használni. Csak a mesterséges intelligencia tud ennél jobb teljesítményt nyújtani.

A mesterséges intelligencia bevezetése az újrahasznosítási üzletágba azt jelenti, hogy a gyűjtő- és rakodó robotokat pontos, valós idejű tárgyfelismeréssel kell kombinálni. A számítógépes látó rendszerekkel kombinált “pick-and-place” robotokat a gyártásban használják bizonyos tárgyak megragadására, de általában csak egyetlen tárgyat vagy néhány ismert formájú tárgyat keresnek ismételten, ellenőrzött fényviszonyok között. Az újrahasznosítás azonban a szállítószalagon haladó tárgyak fajtájának, formájának és tájolásának végtelen változatosságával jár, ami szinte azonnali azonosítást igényel, valamint új pálya gyors kijelölését a robotkar számára.

A mesterséges intelligencia elméletileg lehetővé teszi, hogy egy vegyes anyagáramból az összes újrahasznosítható anyagot visszanyerjük, közel 100 százalékos pontossággal, kizárólag képelemzés alapján. Ha egy AI-alapú szortírozó rendszer lát egy tárgyat, akkor azt pontosan ki is tudja válogatni.

Vegyünk egy, a mai újrahasznosító berendezések számára különösen nehéz anyagot: a nagy sűrűségű polietilént (HDPE), a mosószeres flakonokhoz és tejes kannákhoz gyakran használt műanyagot (az Egyesült Államokban, Európában és Kínában a HDPE termékeket a 2. számú újrahasznosítható anyagként jelölik). A hiperspektrális képalkotásra támaszkodó rendszerben a HDPE-tételek általában más műanyagokkal keverednek, és papíralapú vagy műanyag címkékkel lehetnek ellátva, ami megnehezíti a hiperspektrális képalkotók számára a mögöttes tárgy kémiai összetételének felismerését.

Ezzel szemben egy mesterséges intelligencia által vezérelt számítógépes látórendszer a csomagolás felismerése alapján meg tudja állapítani, hogy egy palack HDPE, és nem valami más. Egy ilyen rendszer a felismerési pontosság növelése érdekében olyan attribútumokat is felhasználhat, mint a szín, az átlátszatlanság és a formafaktor, sőt, akár szín vagy konkrét termék szerint is válogathat, csökkentve ezzel a szükséges újrafeldolgozás mennyiségét. Bár a rendszer nem próbálja megérteni a címkéken található szavak jelentését, a szavak a termék vizuális jellemzőinek részét képezik.

Az AMP Robotics olyan rendszereket épített, amelyek képesek ilyen jellegű válogatásra. A jövőben a mesterséges intelligenciával működő rendszerek az anyagok kombinációja és az eredeti felhasználás szerint is válogathatnak, lehetővé téve az élelmiszeripari anyagok elkülönítését a háztartási tisztítószereket tartalmazó edényektől, valamint az élelmiszerhulladékkal szennyezett papír elkülönítését a tiszta papírtól.

Egy neurális hálózat képzése az újrahasznosítási folyamban lévő tárgyak felismerésére nem könnyű. Ez legalább nagyságrendekkel nagyobb kihívás, mint az arcok felismerése egy fényképen, mivel az újrahasznosítható anyagok deformálódásának szinte végtelen sokféle módja lehet, és a rendszernek fel kell ismernie a permutációkat.

Elég nehéz betanítani egy neurális hálózatot a ma forgalomban lévő mosószeres flakonok különböző típusainak azonosítására, de egészen más kihívást jelent, ha figyelembe vesszük, hogy ezek a tárgyak milyen fizikai deformációkon mehetnek keresztül, mire eljutnak az újrahasznosító létesítménybe. Összehajtogatódhatnak, elszakadhatnak vagy összetörhetnek. Más tárgyak közé keveredve előfordulhat, hogy egy palacknak csak egy sarka látszik. Folyadékok vagy élelmiszerhulladékok eltakarhatják az anyagot.

Az AMP rendszereit úgy tréningezik, hogy az egyes kategóriákhoz tartozó anyagok képeit adják meg nekik, amelyeket a világ többi újrahasznosító létesítményeiből szereznek be. A vállalat jelenleg a világ legnagyobb, újrahasznosítható anyagok képeit tartalmazó adatkészletével rendelkezik a gépi tanuláshoz.

Ezen adatok felhasználásával modelljeik megtanulják azonosítani az újrahasznosítható anyagokat ugyanúgy, mint emberi társaik, azáltal, hogy észreveszik a különböző anyagokat megkülönböztető mintákat és jellemzőket. Folyamatosan véletlenszerű mintákat gyűjtenek a rendszerünket használó összes létesítményből, majd kommentálják azokat, hozzáadják az adatbázisunkhoz, és újratanítják a neurális hálózatainkat. Hálózataikat tesztelik is, hogy megtalálják a célanyagokon legjobban teljesítő modelleket, és célzottan további képzést végeznek olyan anyagokon, amelyek helyes azonosításával rendszereinknek gondjaik vannak.

A neurális hálózatok általában hajlamosak arra, hogy rosszul tanuljanak. A teheneket ábrázoló képek a tejcsomagoláshoz kapcsolódnak, amelyet általában rostos karton vagy HDPE tartály formájában gyártanak. A tejtermékeket azonban más műanyagba is csomagolhatják; például az egyadagos tejes palackok hasonlíthatnak a gallonos kancsók HDPE-jéhez, de általában a vizes palackokhoz használt PET (polietilén-tereftalát) egy átlátszatlan formájából készülnek. Más szóval a tehén nem mindig jelent rostot vagy HDPE-t.

Az is kihívást jelent, hogy lépést kell tartani a fogyasztói csomagolások folyamatos változásaival. Minden olyan mechanizmusnak, amely a vizuális megfigyelésre támaszkodik a csomagolás és az anyagtípusok közötti asszociációk megtanulásában, folyamatos adatáramlást kell fogyasztania, hogy biztosítsa a tárgyak pontos osztályozását.

Most, hogy az AI-alapú rendszerek készen állnak az újrahasznosítható hulladékok kezelésére, hogyan változhatnak a lehetőségek? Minden bizonnyal fellendítik a robotika használatát, amelyet ma még csak minimálisan alkalmaznak az újrahasznosító iparban. Tekintettel az állandó munkaerőhiányra ebben az unalmas és piszkos szakmában, az automatizálás olyan út, amelyen érdemes elindulni.

Ahhoz azonban, hogy valóban kiaknázzuk a mesterséges intelligencia erejét az újrahasznosítási folyamatban, újra kell gondolnunk a teljes válogatási folyamatot. Napjainkban az újrahasznosítási műveletek jellemzően a vegyes anyagáramból a nem célanyag eltávolításával – más szóval “negatív válogatással” – választják ki a célanyagot. Ehelyett a mesterséges intelligencia látórendszerek és a robotizált válogatógépek segítségével “pozitív válogatás” végezhető. Ahelyett, hogy eltávolítanánk a nem célanyagokat, azonosítjuk az egyes anyagelemeket az áramlatban, és kiválasztjuk a célanyagot.

A mesterséges intelligencia alkalmazása azt is jelenti, hogy olyan anyagokat is visszanyerhetünk, amelyeket gazdasági okokból sokáig figyelmen kívül hagytunk. Eddig a hulladékfolyamban csak a legnagyobb mennyiségben előforduló, nagy értékű tételek után kutattak gazdaságosan a telephelyek. A gépi tanulást alkalmazó rendszerekkel azonban, amelyek az anyagok szélesebb körének pozitív válogatását végzik, az anyagok nagyobb változatosságát kezdhetjük megragadni, a vállalkozás számára kevés vagy semmilyen többletköltséggel. Ez jót tesz a bolygónak.

Kezdjük látni, hogy néhány mesterséges intelligencia alapú másodlagos újrahasznosító létesítményt üzembe helyeznek, az Amp technológiája elsőként Denverben lép működésbe 2020 végén. Ezeket a rendszereket jelenleg ott használják, ahol az anyagok már átmentek egy hagyományos válogatáson, és olyan nagy értékű anyagokat keresnek, amelyek kimaradtak, vagy olyan alacsony értékű anyagokat, amelyek újszerű módon válogathatók, és így új piacokat találnak.

A mesterséges intelligenciának köszönhetően az iparág kezdi lefaragni az évente a hulladéklerakókba kerülő újrahasznosítható anyagok hegyét, amely több milliárd tonna újrahasznosítható anyagot tartalmaz, ami több milliárd dollár veszteséget és nem megújuló erőforrások pazarlását jelenti.