(Comunicato stampa)

Zebra Technologies Corporation, leader mondiale nella digitalizzazione e nell’automazione delle attività operative in prima linea, ha presentato oggi una ricerca che mostra come un team di esperti abbia utilizzato l’intelligenza artificiale e la fisica per colmare il divario tra dati simulati e contesti reali nell’addestramento di modelli di computer vision. La ricerca si concentra su attività di magazzino quali lo stoccaggio a scaffale, predisposizione della merce a terra e su pallet e carico dei camion.

Riproducendo in modo realistico danni, disposizioni e altre condizioni tipiche degli ambienti di magazzino reali, il dataset STRIPES (Sim-to-Real Industrial Perception for Warehouse Scenes) consente ai modelli di computer vision di raggiungere una maggiore precisione rispetto all’addestramento basato esclusivamente su immagini reali o su dataset sintetici tradizionali.

«Rendendo disponibile il dataset STRIPES, mettiamo a disposizione delle comunità accademiche e industriali, dei partner e dei clienti di Zebra un nuovo e potente strumento per accelerare lo sviluppo della prossima generazione di automazione intelligente», ha dichiarato Andrea Mirabile, Senior Director of AI Research di Zebra Technologies.

Come STRIPES riproduce la complessità dei magazzini reali

Il framework alla base di STRIPES genera scene che riflettono la complessità di un magazzino reale. I ricercatori hanno sviluppato una pipeline sofisticata fondata su tre innovazioni chiave:

• Generazione di immagini con IA: anziché utilizzare modelli 3D statici, i ricercatori hanno sfruttato l’IA generativa per creare una libreria diversificata di 30.000 immagini, con 3.000 texture e geometrie uniche di scatole e un milione di oggetti etichettati.
• Simulazione dell’usura: i ricercatori hanno riprodotto condizioni realistiche come schiacciamenti, ammaccature, polvere superficiale e pellicole di plastica, per simulare il deterioramento delle scatole durante la movimentazione e il trasporto.
• Disordine simulato secondo le leggi della fisica: il team ha utilizzato tecniche di simulazione della gravità per riprodurre una disposizione delle scatole verosimile a scenari reali. In questo modo ha ricreato le disposizioni fitte, inclinate e incastrate tipiche di tre diverse fasi operative: stoccaggio a scaffale, preparazione degli ordini a terra e carico dei camion.

Computer vision più precisa grazie ai dati sintetici realistici

Il dataset è stato confrontato con modelli compatti di computer vision basati sull’IA di ultima generazione, ottimizzati per l’implementazione in tempo reale su dispositivi edge nelle applicazioni di magazzino.

L’addestramento con STRIPES, seguito dal fine-tuning su dati reali, ha prodotto miglioramenti costanti nell’accuratezza del rilevamento degli oggetti rispetto all’utilizzo di soli dati reali o di soli dati sintetici, con un miglioramento dell’average precision fino al 4,9%. In futuro, le applicazioni di STRIPES potrebbero estendersi alla robotica, alla presa degli oggetti e alla modellazione 3D degli ambienti.

«La nostra ricerca e le nostre soluzioni stanno contribuendo a creare una connessione sempre più stretta tra mondo fisico, dati, intelligence ed esecuzione», ha affermato Andrea Mirabile. «Stiamo dimostrando come l’AI possa offrire una maggiore visibilità degli asset e portare l’intelligence direttamente nelle attività in prima linea.»

La ricerca è stata presentata alla 19ª European Conference on Computer Vision (ECCV), una delle più importanti conferenze mondiali dedicate alla computer vision, tenutasi dall’8 al 12 settembre a Malmö, in Svezia. Andrea Mirabile e il suo team si erano già classificati al secondo posto, su 650 squadre, al prestigioso RetailVision Workshop della Computer Vision Pattern Recognition (CVPR).