Runtime Safety Filtering for Two-Terminal Hazards in Robotic Battery Recycling

Robots leren delicaat werk uit te voeren, zoals het sorteren en recyclen van de batterijen die onze moderne wereld van stroom voorzien. Om hen dit te leren, gebruiken onderzoekers vaak kunstmatige intelligentie die leert door video's te bekijken van mensen die taken uitvoeren. Deze systemen, bekend als vision-language-action-modellen, kunnen begrijpen hoe ze een batterij moeten oppakken of een gereedschap moeten bewegen door simpelweg naar een scène te kijken en een eenvoudige instructie te begrijpen. Er bestaat echter een kloof tussen wat deze slimme systemen weten en wat ze veilig kunnen doen. Een robot kan begrijpen dat hij een batterij van punt A naar punt B moet verplaatsen, maar hij realiseert zich misschien niet dat het verplaatsen ervan te dicht bij een specifiek metalen onderdeel een gevaarlijke elektrische kortsluiting kan veroorzaken. Om deze kloof te overbruggen, gebruiken ingenieurs een "veiligheidsfilter". Denk aan dit filter als een waakzame supervisor die tussen het brein van de robot en zijn spieren staat. De supervisor houdt elke beweging in de gaten die de robot plant te maken. Als een beweging eruitziet alsof het een veiligheidsregel zal overtreden, stopt de supervisor de beweging en vertelt de robot om in plaats daarvan iets anders te doen. De uitdaging is om precies te bepalen wat een gevaarlijke beweging is en te beslissen wat de robot moet doen wanneer hem wordt verteld te stoppen.

In het specifieke geval van het recyclen van batterijen is het gevaar uniek. Een batterijcel heeft twee metalen terminals, één positief en één negatief. Als een stuk metaal, zoals de behuizing van de batterij zelf of een gereedschap, beide terminals tegelijkertijd raakt, creëert dit een brug waardoor elektriciteit stroomt waar het niet hoort, wat een kortsluiting veroorzaakt. Dit is anders dan een standaard botsing, waarbij het raken van een enkel object het probleem is. Hier ontstaat het gevaar alleen als de robot te dicht bij beide terminals tegelijk komt. Een robot kan heel dicht bij één terminal zijn en volkomen veilig zijn, maar op het moment dat hij de tweede benadert terwijl hij nog steeds nabij de eerste is, ontstaat het risico. Onderzoekers van de National University of Singapore en verschillende Australische universiteiten zetten zich af om te testen hoe ze deze veiligheidssupervisors het beste kunnen programmeren om deze specifieke "twee-terminal"-dreiging aan te pakken. Ze wilden weten of de manier waarop het gevaar wordt gedefinieerd belangrijker is dan wat de robot doet wanneer hij wordt gestopt.

Het team bouwde een gesimuleerde omgeving met behulp van een standaard robotica-testbed genaamd LIBERO, waarbij een robotarm een boodschappenged Gegenstand moest verplaatsen, die fungeerde als een surrogaat voor een geleidend batterijonderdeel, over een werkbank. Ze programmeerden de robot met een bevroren AI-beleid, wat betekent dat het besluitvormingsbrein van de robot vaststond en niet nieuwe trucjes kon leren tijdens de test. De onderzoekers testten vervolgens verschillende versies van het veiligheidsfilter. Eerst probeerden ze verschillende manieren om de "gevarenzone" te definiëren. Eén versie gebruikte een simpele regel: blijk weg van ofwel de ene of de andere terminal. Een andere gebruikte een complexere regel: blijf weg van het gebied waar je beide terminals tegelijkertijd zou kunnen raken. Ze testten ook een hybride aanpak die beide regels combineerde. Cruciaal was dat ze deze regels niet slechts op één vaste afstand testten. Ze pasten de "marge", of de bufferzone, voor elke regel aan om te zien hoeveel ruimte nodig was om de robot veilig te houden zonder hem te vaak te stoppen.

Wat ze vonden was verrassend. Wanneer ze de bufferzones voor elke regel aanpasten om de best mogelijke balans te vinden tussen veiligheid en het voltooien van de taak, presteerden alle drie de definities van de gevarenzone bijna exact hetzelfde. Of de supervisor nu zocht naar een simpele "blijf weg van één" regel of een complexe "blijf weg van beide" regel, de resultaten waren bijna identiek zodra de afstand correct werd afgestemd. Dit suggereert dat de specifieke vorm van de veiligheidsregel minder belangrijk is dan het goed krijgen van de afstand. Het echte verschil kwam door wat de robot deed wanneer de supervisor zei "stop".

De onderzoekers testten vier verschillende manieren waarop de robot kon reageren wanneer een beweging werd afgewezen. De eerste was om simpelweg stil te houden, waardoor de robot op zijn plaats werd bevroren. De tweede was om te "terugtrekken", waarbij de robot zich van het gevaar af beweegt. De derde was "sample search", waarbij de robot een paar iets andere bewegingen probeerde om te zien of er één veilig was. De vierde was een complexe wiskundige projectie die probeerde de veiligst mogelijke beweging te vinden die nog steeds zeer dicht bij wat de robot oorspronkelijk wilde doen lag. De resultaten lieten zien dat de "houd stil"-strategie de slechtste was. Het verhinderde de robot om zijn taak te voltooien ongeveer 30 procent vaker dan de "terugtrek"-strategie, zonder het de omgeving daadwerkelijk veiliger te maken. De robot zat daar gewoon stil en slaagde er niet in de klus te klaren. Aan de andere kant lieten de strategieën die probeerden minimaal invasief te zijn, zoals de wiskundige projectie of de sample search, de robot vaker zijn taak voltooien, maar lieten ze een veel groter risico achter dat de robot te dicht bij de gevarenzone komt. De "terugtrek"-strategie, die de robot duidelijk weg van het gevaar bewoog, bood de beste balans: het hield de robot veilig en liet hem de taak bijna net zo vaak voltooien als de ongefilterde robot zou hebben gedaan.

De studie onderzocht ook hoe deze filters zich gedroegen wanneer de robot fouten maakte of wanneer de omgeving veranderde. Ze testten het systeem met een ander robotbeleid en andere batterijvormen, en de "terugtrek"-strategie bleef de meest effectieve. Ze simuleerden zelfs fouten in hoe de robot afstanden mat. Ze ontdekten dat als de robot fout zat over de grootte van het object dat hij vasthield, het veiligheidsfilter veel minder effectief werd dan wanneer hij er slechts een klein beetje naast zat wat betreft de positie van de terminals. Dit benadrukt dat weten wat de grootte van de lading is, even cruciaal is als weten waar de gevaren zich bevinden. Bovendien ontdekten ze dat een veiligheidssysteem dat alleen controleert op fysiek contact volledig zou falen. Veel van de gevaarlijke momenten vonden plaats wanneer het object nog enkele millimeters verwijderd was van de terminals, een afstand die te klein is om aan te raken maar groot genoeg om kortsluiting te veroorzen. Een contactgebaseerde monitor zou deze gebeurtenissen volledig missen.

Uiteindelijk laat dit onderzoek zien dat voor robots die gevaarlijke materialen hanteren, het belangrijkste deel van het veiligheidssysteem niet noodzakelijkerwijs de complexe wiskunde is die het gevaar definieert, maar de simpele, duidelijke beslissing over wat te doen wanneer het gevaar wordt gedetecteerd. Een supervisor die de robot vertelt om achteruit te bewegen is veel effectiever dan een die hem vertelt te bevriezen of die probeert hem slechts een klein beetje opzij te duwen. De studie, die volledig in een hoogwaardige simulatie werd uitgevoerd, biedt een helder stappenplan voor het bouwen van veiligere robots. Het suggereert dat ingenieurs zich minder moeten richten op het uitvinden van nieuwe, complexe geometrische regels voor gevaar en meer op het kiezen van een robuuste, duidelijke reactiestrategie die de robot weg van het risico beweegt terwijl hij nog steeds zijn werk kan voltooien. Nu de wereld beweegt naar de automatisering van de recycling van miljoenen batterijen, bieden deze bevindingen een praktische gids voor het waarborgen dat de machines die het werk doen niet per ongeluk de zeer gevaren veroorzaken die ze bedoeld zijn te beheren.