Armand van Wijck
Fizyr, voorheen Delft Robotics, heeft zich gespecialiseerd in het zogenoemde ‘deep learning’ waarmee robots zelf nieuwe producten leren herkennen. Een slimme zet die nu wereldwijd opdrachten oplevert bij machinefabrikanten in allerlei sectoren. CTO Kanter van Deurzen praat over de nieuwe ontwikkelingen van Fizyr en in de kunstmatige intelligentie.
Delft Robotics begon ooit als robotleverancier. Het verzorgde robots voor automatisering in onder andere de logistiek, voedselindustrie en de agricultuur. ‘Maar robots bouwen en implementeren kost ontzettend veel tijd en het is een vaardigheid die veel andere bedrijven al goed onder de knie hebben’, vertelt Van Deurzen. Om niet meer te hoeven concurreren veranderde het bedrijf de naam in Fizyr en richt het zich nu op het ontwikkelen van de software voor het aansturen van robotica. Van Deurzen: ‘Onze voornaamste kracht bleek machine vision te zijn: op basis van 3D-beelden een robot vertellen wat deze moet doen. We hebben daardoor stappen gemaakt waardoor we nu alleen nog toeleverancier te zijn op het gebied van machine vision. Veel van onze voormalige concurrenten zijn nu onze partners.’ Fizyr richt zich met name op het leveren van diensten aan partijen die een groot deel van de industrie voorzien van automatisering. Wel zitten ze zelf nog regelmatig met eindklanten om tafel. ‘Er zijn ook partijen die geïnteresseerd zijn in wat er nu allemaal bij ons kan en wat er de komende paar jaar gaat veranderen. Er zit een grote markt in de robotica die momenteel nog niet wordt ingevuld. Die benaderen we veelal vanuit pilotprojecten.’
Machine vision – waarin Fizyr zich heeft gespecialiseerd – is in feite niets anders dan dat een robot met behulp van een camera en een stuk software kan analyseren waar en hoe deze iets moet oppakken, bijvoorbeeld machineonderdelen aan een lopende band. Dat principe bestaat al sinds de jaren ’80, maar het ging voorheen altijd om vaste producten met standaard afmetingen. De robots zijn geoptimaliseerd voor het herkennen van één specifiek product en niet aanpasbaar voor andere. ‘En in toepassingen met veel variatie werken die standaard analytische modellen ook niet’, aldus Van Deurzen. Neem bijvoorbeeld postbedrijven waar het in principe om vrij simpele producten gaat. Voor een algoritme dat een robot moet aansturen, zitten daar al ontzettend veel variabelen bij: iedere doos heeft een andere vorm, andere opdruk, andere stapeling.
Van Deurzen: ‘Probeer je dan met analytische regels te omschrijven hoe je een doos moet herkennen, dan loop je heel snel tegen een muur aan. Het is die uitdaging waarin wij ons specialiseren: veel verschillende producten moeten door hetzelfde systeem verwerkt worden, waarin een analytische aanpak niet meer werkt op grote schaal.’ Denk aan magazijnen van webwinkels waar iedere dag tientallen nieuwe producten bijkomen. Als voor al die producten een robotsysteem geoptimaliseerd moet worden, is de aanwas van nieuwe producten niet meer bij te benen. ‘Met onze deep learning-algoritmen proberen we dit probleem op te lossen’, licht Van Deurzen toe. ‘Wij laten hiermee de machine zelf leren op basis van voorbeelden. Je krijgt dan een generieke oplossing waardoor een robot producten kan herkennen die hij nog nooit eerder heeft gezien.’ Fizyr heeft nu een hele grote database aan voorbeelden. De zelflerende systemen van het bedrijf starten met alle kennis die al aanwezig is. Op locatie is het mogelijk om extra data op te nemen die het systeem optimaliseren. De ontwikkelingen op dit gebied volgen elkaar volgens Van Deurzen snel op. ‘De algoritmes die we nu gebruiken, hadden we een jaar geleden niet voor mogelijk beschouwd. Ik ben ervan overtuigd dat we over een jaar weer op een hele andere positie staan.’ De grote uitdaging is het bijhouden van de constante stroom van nieuwe ontwikkelingen: niet alleen voor aankomende projecten, maar ook voor wat al geleverd is. ‘Als we een half jaar stilstaan om op te schalen, dan lopen we meteen achter. We zijn daarom alle tools toegankelijk aan het maken voor onze partners. Zo krijgen ze zelf ook de vrijheid om hun systemen te optimaliseren en eigenhandig op te schalen.’
Fizyr krijgt momenteel veel aanvragen binnen uit de agricultuur en magazijnen om kleding te verwerken. Kleding is interessant en complex, omdat het veel vrijheidsgraden heeft tijdens het oppakken. Het plukken van groenten en fruit is iets wat Van Deurzen ook bezighoudt. ‘We kunnen een robot prima vertellen waar die een tros tomaten moet plukken, maar dat vertalen naar een systeem dat dit met dezelfde hoge snelheid kan als een menselijke plukker, is nu nog ondenkbaar. De positieve kant voor robots is dat sommige producten zich het best laten plukken op bepaalde dagdelen zoals ’s avonds laat, terwijl menselijke plukkers het liefst werken op gezette tijden.’
Gewassen zijn heel erg beweeglijk, wat het voor een robot bemoeilijkt om hier vruchten van te plukken. De robot moet dan namelijk ook kunnen voorspellen waar een product naartoe beweegt. Dat is op te lossen met machine vision, maar dan werkt alles alsnog heel langzaam. ‘We kunnen natuurlijk ook de omgeving aanpassen voor de robot, zodat de snelheid omhooggaat’, filosofeert Van Deurzen. ‘Dat is alleen wel ingewikkeld, want zelfs een kleine aanpassing in bijvoorbeeld een bestaand postsorteercentrum vraagt al om een gigantische investering. Anderzijds komen er in rap tempo nieuwe kassen en magazijnen bij. Als we nu rekening houden met wat er over een half jaar pas staat, dan kunnen we daarop inspelen. Het is een grote uitdaging, maar wel eentje waar toekomst in zit.’
