AI i roboty współpracujące: bezpieczeństwo i wydajność w jednym

Od klasycznej automatyzacji do robotów współpracujących z AI

Czym różnią się coboty od tradycyjnych robotów przemysłowych

Klasyczny robot przemysłowy kojarzy się z dużą, szybką maszyną zamkniętą w klatce bezpieczeństwa. Taki układ jest bardzo wydajny, ale wymaga fizycznego odseparowania od człowieka. Robot współpracujący (cobot) został zaprojektowany odwrotnie: ma być możliwie bezpieczny w bezpośrednim otoczeniu człowieka, kosztem maksymalnej prędkości i udźwigu. Różnice nie kończą się jednak na gabarytach i ogrodzeniach.

Cobot ma zazwyczaj wbudowane czujniki momentu i siły w każdej osi lub na przegubach końcowych. Dzięki temu może ograniczać dynamikę ruchu oraz zatrzymywać się w razie kontaktu z człowiekiem. Tradycyjny robot jest zoptymalizowany głównie pod kątem szybkości i precyzji, a bezpieczeństwo zapewniają urządzenia zewnętrzne: bariery, kurtyny świetlne, skanery. Z punktu widzenia projektanta stanowiska różnica jest znacząca: przy cobocie część funkcji bezpieczeństwa jest zaszyta w samym napędzie i kontrolerze.

Różny jest także sposób programowania. Klasyczny robot zwykle wymaga programowania w dedykowanym języku (skryptowym lub blokowym), często przez wyspecjalizowanego programistę. Coboty są projektowane tak, aby obsłużył je inżynier procesu czy nawet przeszkolony operator produkcji – poprzez nauczanie przez prowadzenie ręczne, intuicyjne interfejsy graficzne, blokowe sekwencje i gotowe szablony zadań. To ma bezpośredni wpływ na koszty zmian i czasu potrzebnego na przezbrojenia.

Inna jest też filozofia integracji z linią. Tradycyjny robot wymaga zwykle dobrze zdefiniowanych, powtarzalnych punktów poboru i odkładania, stabilnych przyrządów i minimalnych zakłóceń. Cobot, zwłaszcza z systemem wizyjnym i modułami AI, lepiej znosi zmienność położeń, różnice między detalami oraz pracę na wspólnej przestrzeni roboczej z człowiekiem, który może go wspierać w czynnościach niestandardowych.

Gdzie AI faktycznie wnosi wartość w pracy robota

AI przy robotach współpracujących nie oznacza magii. Największa wartość pojawia się w konkretnych obszarach, gdzie klasyczne algorytmy sterowania lub proste procedury nie radzą sobie z niepewnością i zmiennością. AI może wspierać zarówno bezpieczeństwo, jak i wydajność, ale każde zastosowanie warto rozpatrywać osobno.

Po pierwsze, systemy wizyjne oparte na AI. Uczenie maszynowe umożliwia rozpoznawanie obiektów, ich orientacji, a nawet defektów trudno uchwytnych prostą analizą obrazu (np. rysy, przebarwienia, drobne odkształcenia). Cobot z kamerą i modelem detekcji może samodzielnie lokalizować części w pojemniku, odróżniać warianty produktów, a w trybie kontroli jakości – klasyfikować jakość elementu w czasie rzeczywistym.

Po drugie, planowanie trajektorii i adaptacja ruchu. AI może pomagać w generowaniu płynnych, bezkolizyjnych ścieżek ruchu w dynamicznym otoczeniu. Gdy w strefie pracy pojawia się człowiek lub inne obiekty, system może na bieżąco przeliczyć trajektorię, zachowując założone ograniczenia prędkości i sił. Daje to szansę na redukcję zbędnych zatrzymań i restartów, a tym samym na wyższą przepustowość.

Po trzecie, analiza danych eksploatacyjnych. Zbieranie danych z cobota (obciążenia osi, częstotliwość kolizji miękkich, przestoje, drobne odchyłki czasów cykli) i ich analiza z użyciem AI pozwala przewidywać awarie, wykrywać powolne rozjeżdżanie się parametrów i sugerować modyfikacje programu ruchu. To z kolei wpływa na stabilność procesu i planowanie utrzymania ruchu w sposób predykcyjny.

Typowe zastosowania: kiedy cobot, a kiedy klasyczny robot

Najbardziej typowe obszary wdrożeń robotów współpracujących to: montaż lekkich elementów, pakowanie i paletyzacja na końcu linii, proste operacje obsługowe maszyn CNC, wkręcanie, klejenie, podawanie detali do spawarek lub pras, a także inspekcja i testy. Kluczowe jest to, że w wielu z tych zadań człowiek nadal jest obecny – czy to do prac niestandardowych, czy nadzoru, czy korekt.

Klasyczny robot wciąż wygrywa tam, gdzie dominuje powtarzalność, duża seria i potrzeba dużej prędkości lub udźwigu. Przykładowo, szybkie paletyzatory w logistyce wysokiego wolumenu, zrobotyzowane linie spawalnicze karoserii, czy szybkie pick&place przy małych detalach, gdzie każda dziesiąta sekundy ma znaczenie. W takich miejscach praca „ramię w ramię” z człowiekiem nie miałaby sensu: liczy się całkowite wycięcie pracy ręcznej z procesu.

Cobot z AI dobrze wpisuje się w środowiska mieszane: krótkie lub zmienne serie, częste przezbrojenia, różne warianty produktu na tej samej linii, potrzeba elastycznego reagowania na zmiany zamówień. AI w wizyjnych systemach do kontroli jakości pozwala przy tym łączyć funkcję manipulacji (robot) z inteligentną inspekcją, bez budowania osobnego toru testowego.

Przykład: mała linia montażowa i wybór podejścia

Wyobraźmy sobie niewielką linię montażową, na której operator ręcznie składa produkt z kilku komponentów, zamyka obudowę i dokręca śruby. Firma rozważa automatyzację. Do wyboru są dwa kierunki: klasyczny robot z przyrządami oraz cobot z systemem wizyjnym.

Wariant klasyczny: budowane jest stanowisko z dedykowanym fixturem, do którego człowiek podaje półprodukty, zamyka drzwi, po czym robot wykonuje cały montaż i wkręcanie. Bezpieczeństwo zapewnia klatka lub osłona z blokadą. Wydajność jest wysoka, ale każde nowe wykonanie produktu wymaga przeprojektowania przyrządów i programu. Sprawdza się przy dużych, długich seriach.

Wariant z cobotem: operator nadal podaje komponenty, ale część czynności przejmuje robot współpracujący pracujący przy tym samym stole. AI w systemie wizyjnym identyfikuje komponenty i ich położenie, wspiera precyzyjne wkładanie i dokręcanie. Pracownik może od razu nauczyć robota nowej sekwencji przez prowadzenie ręczne. Bezpieczeństwo bazuje na ograniczeniu mocy i sił, a także na skanerach monitorujących odległość. Wydajność jednostkowa może być niższa niż przy pełnej automatyzacji, za to elastyczność zmian – dużo większa.

Dla krótkich serii i częstych modyfikacji produktu lepiej sprawdzi się podejście z cobotem i AI. Przy dużej, stabilnej produkcji, gdzie zmienność jest niewielka, tańszy w całym cyklu życia może być klasyczny robot za klatką – nawet jeśli początkowo inwestycja wydaje się wyższa.

Bezpieczeństwo kontra wydajność – fałszywy dylemat czy realny konflikt?

Trzy modele organizacji pracy: „człowiek obok”, „człowiek z daleka”, „człowiek w centrum”

Organizacja pracy z robotami współpracującymi zwykle wpisuje się w jeden z trzech modeli. Od przyjętego modelu zależy to, jak wygląda kompromis między bezpieczeństwem a wydajnością.

„Człowiek z daleka” to model zbliżony do klasycznej automatyzacji: robot pracuje oddzielony barierami, a człowiek wchodzi do strefy roboczej tylko w reżimie serwisowym lub przy przezbrojeniach. Bezpieczeństwo jest wysoki, bo ryzyko kontaktu jest minimalizowane konstrukcyjnie. Wydajność bywa bardzo dobra – robot pracuje z dużą prędkością, nie oglądając się na obecność operatorów. Ten model jest dobry, gdy udział człowieka w procesie ma być z definicji minimalny.

„Człowiek obok” to typowe zastosowanie cobotów: operator i robot dzielą tę samą przestrzeń roboczą, ale zadania są w dużej mierze rozdzielone. Robot podaje, trzyma, wkręca; człowiek wykonuje krok wymagający zręczności lub oceny. Prędkości robota są ograniczone, stosuje się tryby „safe speed”, monitoring separacji i kontrolę sił. Wydajność jest wyższa niż przy czystej pracy manualnej, a wymagania bezpieczeństwa możliwe do spełnienia bez pełnych ogrodzeń.

„Człowiek w centrum” to podejście, w którym robot jest rozszerzeniem możliwości pracownika, np. jako ramię odciążające przy ciężkich elementach lub system półautomatyczny sterowany gestami i poleceniami głosowymi. Główny proces pozostaje ludzki, a cobot z AI dostosowuje się do tempa i intencji operatora. Najwięcej wymaga to od systemów bezpieczeństwa i interfejsu, ale zyskuje się wysoką ergonomię i elastyczność.

Konflikt między bezpieczeństwem a wydajnością ujawnia się wtedy, gdy próbuje się za wszelką cenę zwiększać prędkości ruchu w modelu „człowiek obok” bez odpowiednich środków nadzoru. Zamiast tego lepiej dobrać model współpracy tak, aby robot albo działał szybko, ale z dala od ludzi, albo współpracował ściśle, ale przy niższych prędkościach, za to z mniejszą liczbą przestojów i przełączeń trybów.

Jak AI wzmacnia jednocześnie bezpieczeństwo i produktywność

AI często pozwala zamienić twardy konflikt „albo bezpieczeństwo, albo wydajność” w zadanie optymalizacyjne. Dynamiczna ocena sytuacji na stanowisku daje możliwość płynnego reagowania, zamiast budowania jednego, najgorszego przypadku, który „blokuje” cały system.

Systemy wizyjne oparte na AI potrafią rozpoznawać obecność człowieka i jego pozycję w przestrzeni, a także przewidywać trajektorię ruchu (np. wyciąganie ręki po detal). Pozwala to wdrażać strategie, w których robot spowalnia lub ogranicza zakres ruchu, gdy człowiek zbliża się do krytycznych stref, a przy ich opuszczeniu wraca do wyższych prędkości. W klasycznych systemach, opartych na prostych strefach włączenia/wyłączenia, częściej dochodzi do pełnych zatrzymań, które obniżają takt.

Analiza danych z czujników momentu, prądów silników i mikrokolizji umożliwia też adaptację parametrów ruchu: jeśli system zauważa, że w określonej fazie cyklu robot często zbliża się do granicznych wartości sił, może zasugerować zmiany trajektorii lub korektę narzędzia. To zmniejsza ryzyko wypadku i przedłuża żywotność komponentów, bez konieczności drastycznego spadku prędkości wszędzie.

Na poziomie planowania produkcji AI może optymalizować kolejność zadań zlecanych cobotom, minimalizując liczbę przezbrojeń i czas przejść między produktami. Jeśli robot pracuje w kilku trybach bezpieczeństwa (np. różne prędkości zależne od obecności ludzi), system może rozkładać obciążenie tak, by maksymalnie wykorzystywać okresy „bez człowieka” na zadania wymagające większej dynamiki.

Kompromisy: ograniczenie prędkości, „safe speed” i tryby zależne od obecności człowieka

W praktyce projektowania stanowisk z cobotami często pojawia się pytanie: o ile spowolnić robota, aby spełnić wymagania bezpieczeństwa, ale nie zabić biznesowego sensu inwestycji? Zamiast traktować prędkość jako jedną stałą wartość, lepiej myśleć w kategoriach trybów pracy zależnych od sytuacji.

Typową praktyką jest zdefiniowanie co najmniej trzech stanów:

• tryb pełnej prędkości – brak ludzi w strefie, robot pracuje maksymalnie szybko (ale nadal w granicach producenta),
• tryb ograniczonej prędkości – w pobliżu strefy pojawia się człowiek, prędkość i przyspieszenia są redukowane, z zachowaniem ciągłości ruchu,
• tryb współpracy bezpośredniej – człowiek wchodzi w strefę wspólną, robot przełącza się w tryb mocy i siły ograniczonej.

AI pomaga w rozpoznawaniu przejść między tymi stanami przez analizę obrazu i innych czujników. Zamiast prostego „obecny/nieobecny”, system może rozróżnić zbliżanie się, oddalanie, krótkotrwałe wejście, a nawet intencję wykonania określonego ruchu przez pracownika. Im dokładniej te sytuacje są rozpoznawane, tym rzadziej system przechodzi w pełen stop awaryjny, a tym częściej korzysta z płynnych zmian prędkości.

Krytyczne staje się dobranie parametrów przejść między trybami: histerezy, stref ostrzegawczych, progów opóźnień. Zbyt konserwatywne ustawienia przynoszą nadmiarowe zatrzymania i nerwową pracę linii; zbyt agresywne – zwiększają ryzyko niedoszacowania zagrożenia. Z tego powodu analizę warto wesprzeć symulacjami, a w fazie uruchomienia – rejestracją zdarzeń i stopniową kalibracją.

Kryteria wyboru strategii w zależności od procesu

Nie ma jednej uniwersalnej odpowiedzi, który model współpracy i jakie ustawienia prędkości są „najlepsze”. Decyzję należy oprzeć na kilku kluczowych kryteriach związanych z procesem:

• Rodzaj procesu: operacje niebezpieczne (cięcie, spawanie, prasy) zazwyczaj wymagają większej separacji lub dodatkowych środków, nawet z cobotem. Montaż lekkich elementów umożliwia bliższą współpracę.
• Gęstość ruchu ludzi:
• Charakter detali:
• Wymagany takt:
  

  Znaczenie kompetencji operatorów i kultury bezpieczeństwa

  Nawet najlepszy cobot z rozbudowanym systemem AI nie zrównoważy złych nawyków organizacyjnych. Dwa podobne technicznie stanowiska mogą mieć diametralnie różny poziom bezpieczeństwa tylko dlatego, że inaczej wygląda szkolenie i nadzór.

  W środowisku nastawionym na „płynność produkcji za wszelką cenę” częściej pojawiają się obejścia: wyłączone skanery, zasłonięte kurtyny, magnes na wyłączniku bezpieczeństwa. Tam, gdzie dominuje podejście „bezpieczeństwo jako część jakości procesu”, operatorzy sami zgłaszają nieprawidłowości, a inżynierowie nie traktują ich jak przeszkody, tylko jako bodziec do modyfikacji procedur czy layoutu.

  Dobrze zaprojektowany program szkoleń przy cobotach różni się od klasycznego BHP w kilku punktach. Obejmuje:

  • wyjaśnienie, jak działają poszczególne funkcje bezpieczeństwa (safe speed, monitoring separacji, czujniki momentu), a nie tylko „czego nie wolno dotykać”,
  • przykłady realnych incydentów z danej branży, z naciskiem na konsekwencje drobnych odstępstw,
  • ćwiczenia z reagowania na nietypowe zachowania robota (fałszywy alarm, zatrzymanie w nieoczekiwanym miejscu, restart po błędzie),
  • jasne zasady, kto i w jakim trybie może zmieniać parametry robota oraz systemu bezpieczeństwa.

  W efekcie w jednym zakładzie cobot z AI staje się stabilnym elementem procesu, a w innym – źródłem ciągłych „obejść” i konfliktów między produkcją a utrzymaniem ruchu. Różnica nie tkwi w modelu robota, tylko w tym, jak zarządza się odpowiedzialnością za bezpieczeństwo.

  

  Podstawy bezpieczeństwa robotów współpracujących – normy, pojęcia, odpowiedzialność

  Kluczowe normy i ich rola w projektowaniu stanowiska

  Współpraca człowieka z robotem – zwłaszcza wspomagana AI – musi być osadzona w istniejącym systemie normatywnym. Niezależnie od nowoczesnych algorytmów, punktem wyjścia pozostają normy dotyczące bezpieczeństwa maszyn i robotów.

  W obszarze cobotów najczęściej pojawiają się:

  • ISO 12100 – ogólne zasady oceny ryzyka i projektowania bezpiecznych maszyn; nadaje ramy temu, jak identyfikować zagrożenia i dobierać środki ochronne,
  • ISO 10218-1/2 – wymagania dla przemysłowych robotów i ich integracji; dotyczy zarówno klasycznych robotów, jak i wielu aspektów cobotów,
  • ISO/TS 15066 – specyfikacja techniczna poświęcona współpracy człowieka z robotem, w tym limity sił i nacisków dla różnych części ciała,
  • EN ISO 13849-1 oraz IEC 62061 – normy dotyczące funkcjonalnego bezpieczeństwa systemów sterowania maszyn.

  W praktyce oznacza to, że nawet jeśli AI przejmuje część funkcji nadzorczych, architektura bezpieczeństwa musi zapewnić tzw. bezpieczne uszkodzenie – awaria elementu nie może prowadzić do utraty funkcji ochronnej. Dlatego AI zwykle działa w warstwie wspomagającej, a krytyczne funkcje zatrzymania, monitorowania prędkości czy odłączania zasilania są implementowane w certyfikowanych komponentach bezpieczeństwa.

  Podstawowe pojęcia: PL, SIL, SSM, PFL i współpraca z AI

  Żeby sensownie porównywać rozwiązania techniczne, trzeba rozumieć kilka kluczowych pojęć używanych w dokumentacji i audytach.

  • Performance Level (PL) – poziom bezpieczeństwa funkcji wg EN ISO 13849-1. Oznaczany literami od a do e. Im wyższy PL, tym niższe jest tolerowane prawdopodobieństwo niebezpiecznego uszkodzenia funkcji sterującej.
  • Safety Integrity Level (SIL) – podobna koncepcja wg IEC 62061, oparta na poziomach od 1 do 3. Częściej stosowana w branżach procesowych, ale spotykana też w robotyce.
  • SSM (Safety-rated Speed Monitoring) – bezpieczne monitorowanie prędkości. Umożliwia pracę robota z ograniczeniami, zamiast prostego „włącz/wyłącz”.
  • PFL (Power and Force Limiting) – ograniczenie mocy i siły, kluczowe dla typowych cobotów pracujących w bezpośrednim kontakcie z człowiekiem.

  AI nie „podnosi” sama z siebie poziomu PL czy SIL. Może natomiast umożliwić realizację złożonych funkcji (np. dynamiczny monitoring separacji, przewidywanie wejścia w strefę niebezpieczną), które następnie są „opakowane” w certyfikowane kanały bezpieczeństwa. Przykładowo kamera z algorytmem detekcji sylwetek wysyła do kontrolera bezpieczeństwa informację o zajęciu poszczególnych stref; sam sygnał odcięcia napędów pozostaje funkcją o zdefiniowanym PL.

  Odpowiedzialność: producent robota, integrator, użytkownik

  Przy cobotach z AI granice odpowiedzialności bywają mniej oczywiste niż przy klasycznych maszynach. W uproszczeniu można wyróżnić trzy warstwy:

  • Producent robota/cobota – odpowiada za zgodność samego ramienia i kontrolera z deklarowanymi normami, a także za funkcje bezpieczeństwa wbudowane (np. ograniczenie mocy i siły, safe torque off).
  • Integrator systemu – odpowiada za całą aplikację: dobór chwytaków, narzędzi, osłon, skanerów, kamer, logikę zatrzymań oraz ocenę ryzyka konkretnego stanowiska. To integrator decyduje, jak wykorzystać AI i jak połączyć ją z układem bezpieczeństwa.
  • Użytkownik końcowy – odpowiada za eksploatację: szkolenie, procedury, inspekcje okresowe, modyfikacje w trakcie życia linii.

  Przykładowo: jeśli fabryka samodzielnie „doprogramuje” kamerę z algorytmem AI, aby działała jako czujnik obecności człowieka, a następnie podepnie ją pod wejście kontrolera bezpieczeństwa, przejmuje de facto rolę integratora i związaną z tym odpowiedzialność. Różnica między „funkcją wspomagającą operatora” a „elementem układu bezpieczeństwa” nie jest tylko techniczną etykietą, ale określa zakres ryzyka prawnego.

  Tryby współpracy człowieka z robotem – porównanie i zastosowania

  Cztery podstawowe typy współpracy wg ISO/TS 15066

  Specyfikacja ISO/TS 15066 wyróżnia cztery główne typy współpracy człowieka z robotem. W praktyce często się je miesza, ale jako punkt odniesienia ułatwiają one projektowanie stanowiska.

  • Safety-rated monitored stop – bezpieczne, monitorowane zatrzymanie. Robot zatrzymuje się, gdy człowiek wchodzi w zdefiniowaną strefę. Praca w równoległym czasie jest ograniczona, ale integracja bywa prostsza.
  • Hand guiding – prowadzenie ręczne. Operator trzyma robota za specjalny uchwyt i bezpośrednio steruje jego ruchem. Typowe przy nauczaniu trajektorii, pozycjonowaniu ciężkich elementów.
  • Speed and separation monitoring – monitorowanie prędkości i separacji. Robot spowalnia lub zatrzymuje się w zależności od odległości od człowieka, często z wykorzystaniem skanerów lub systemów wizyjnych.
  • Power and force limiting – ograniczenie mocy i sił, czyli klasyczna „kolaboracja przy jednym stole” z fizycznym kontaktem dopuszczalnym w określonych granicach.

  AI najczęściej wzmacnia dwa ostatnie typy: lepiej od klasycznych czujników ocenia dystans i kierunek ruchu człowieka, a także pozwala precyzyjniej dobrać parametry sił w zależności od rodzaju detalu czy narzędzia.

  Porównanie: PFL vs SSM w realnych aplikacjach

  Najczęstszy dylemat brzmi: postawić na robota opartego na power and force limiting, czy raczej na szybki system z speed and separation monitoring i minimalnym kontaktem z człowiekiem?

  Podejście PFL sprawdza się wtedy, gdy:

  • robot pracuje blisko operatora przez większość czasu,
  • detale są raczej lekkie, a narzędzia nie generują dodatkowego ryzyka (ostre krawędzie, wysoka temperatura),
  • liczy się możliwość szybkiej zmiany zadania przez „nauczanie ręczne”.

  Plusem jest duża elastyczność i prostota interakcji. Minusem – ograniczona dynamika ruchów, konieczność szczegółowych testów sił przy różnych konfiguracjach chwytaka i elementu.

  Podejście SSM jest korzystne, gdy:

  • większą część cyklu robot może pracować bez obecności człowieka w strefie,
  • operacje wymagają wyższych prędkości, np. szybkie paletyzowanie,
  • logistyka wokół stanowiska jest bardziej złożona (kilku operatorów, wózki, AGV).

  Tu plusem jest potencjalnie wyższa wydajność tam, gdzie da się „odsunąć” człowieka w czasie lub przestrzeni. Minusem – większa złożoność konfiguracji stref i zależność od jakości detekcji (błędy w rozpoznaniu sylwetki mogą skutkować zbędnymi zatrzymaniami lub, co gorsza, niedoszacowaniem ryzyka).

  W praktyce często łączy się oba podejścia. Robot pracuje w trybie SSM, a w wybranych fazach przechodzi w PFL, np. gdy operator ręcznie koryguje pozycję detalu lub wspólnie z robotem montuje końcowy element.

  Tryby autonomiczny, półautonomiczny i „wspomaganie człowieka”

  Z perspektywy organizacji pracy coboty z AI można też podzielić według stopnia autonomii:

  • Tryb autonomiczny – robot realizuje zadania samodzielnie, człowiek tylko nadzoruje proces lub interweniuje przy awarii. AI pomaga głównie w planowaniu i monitoringu, a kontakt fizyczny jest rzadki.
  • Tryb półautonomiczny – robot i człowiek przeplatają swoje działania w jednym cyklu. AI rozpoznaje stan procesu, decyduje o przekazaniu zadania i dobiera parametry pracy na bieżąco.
  • Tryb wspomagania – cobot pełni rolę „egzoszkieletu stacjonarnego”: podtrzymuje ciężar, stabilizuje pozycję, prowadzi narzędzie, ale decyzje i większość ruchów inicjuje człowiek.

  W środowiskach o dużej zmienności produkcji częściej wygrywa tryb półautonomiczny lub wspomagania. W liniach powtarzalnych, o wysokim wolumenie – dominują stanowiska możliwie autonomiczne, z okazjonalną współpracą w fazach przezbrojeń.

  AI w systemach bezpieczeństwa – nadzór, predykcja, reakcja

  AI jako „superczujnik” dla monitoringu przestrzeni roboczej

  Klasyczne skanery laserowe i kurtyny świetlne operują na prostych regułach: ktoś przekracza linię – aktywuje się funkcja bezpieczeństwa. AI, szczególnie w systemach wizyjnych 3D, potrafi wprowadzić znacznie bogatszy kontekst.

  Zamiast jednej „linii” można wydzielić kilka stref o różnym znaczeniu: przejście logistyczne, obszar operatora, przestrzeń serwisowa. Algorytmy rozpoznają nie tylko fakt obecności człowieka, ale i jego postawę (stanie, schylanie się, klęczenie), układ rąk, a nawet to, czy niesie on duży obiekt.

  Przykładowo, w stanowisku montażowym AI może:

  • rozróżnić operatora przypisanego do gniazda od pracownika logistyki przechodzącego obok,
  • inaczej reagować na chwilowe „wejrzenie” w strefę (np. szybkie sprawdzenie detalu) niż na pozostanie wewnątrz przez dłuższy czas,
  • uwzględniać aktualną trajektorię robota i przewidywać potencjalne przecięcie torów ruchu z ruchem człowieka, zamiast reagować tylko na odległość.

  Dzięki temu można ograniczyć liczbę zatrzymań awaryjnych i zastąpić je „miękkimi” reakcjami – spowolnieniem, skróceniem zasięgu ruchu, zmianą kolejności operacji. Bez AI wymagałoby to ogromnej liczby statycznych stref i warunków.

  Predykcyjne bezpieczeństwo: od analizy kolizji do przewidywania zachowań

  Bezpieczeństwo predykcyjne różni się od klasycznego tym, że nie reaguje jedynie na zdarzenia przekroczenia progu, lecz próbuję je uprzedzać. Cobot z AI może analizować dane historyczne z cykli pracy, aby identyfikować wzorce poprzedzające incydenty lub „prawie-incydenty”.

  Typowe przykłady zastosowań:

  • wczesna detekcja punktów, w których operatorzy nagminnie „skracają drogę” przez strefę robota, bo layout jest niewygodny,
  • wykrywanie częstych mikrokolizji chwytaka z detalem lub oprzyrządowaniem, które jeszcze nie powodują alarmu, ale sugerują błąd w trajektorii lub zużycie elementów,
  • analiza czasu reakcji operatorów na sygnały ostrzegawcze, umożliwiająca dostosowanie ich intensywności lub formy.

  Różnica między zakładem wykorzystującym takie dane a tym, który je ignoruje, ujawnia się po kilku miesiącach. W pierwszym z każdym kwartałem maleje liczba interwencji awaryjnych i „dziwnych zachowań” robota; w drugim parametry ustalone na starcie stają się dogmatem, a wszelkie odchylenia maskuje się ręcznymi resetami.

  Reakcja wielopoziomowa: od soft-stop do rekonfiguracji zadania

  AI umożliwia bardziej zniuansowaną reakcję na potencjalne zagrożenia. Zamiast skoku z pełnej prędkości do zatrzymania awaryjnego można wprowadzić kilka poziomów zachowania robota, zależnych od scenariusza.