Robots met camerasystemen die foto’s maken, kunnen zelf bepalen welke artikelen zij moeten pakken en wat het formaat daarvan is. ‘Je vertelt dus niet precies wat de robot moet gaan doen’, legt Visser uit. ‘De robot neemt iets waar en gaat daarop acteren. Dat repeteert zich continu. Als je bijvoorbeeld een doos met vijf items hebt, dan is de setting alweer anders als je er eentje uit hebt gehaald. Om te analyseren hoe het dan is, maakt de robot een nieuwe foto, want misschien is er wel een ander artikel bijgekomen of kan hij nu bij iets waar het eerder niet bij kon. Dit is mogelijk doordat alle data beschikbaar is. Die heb je nodig om de robot een goede keuze te kunnen laten maken. De robotarm grijpt het product dat volgens de scan het beste is om nu te pakken.’

Zelflerend

Deze robots leren tegenwoordig al doende. Visser toonde tijdens de Nationale Distributiedag een filmpje met een appel, die de robot niet kan oppakken door het steeltje. Na een serie mislukte pogingen rolt de robotarm de appel om, nu kan de appel wel gepakt worden. ‘Dit is zo’n voorbeeld van een zelflerende robot, die een oplossing bedenkt. Dat komt door neurale netwerken. Dat is een techniek waardoor veel complexere taken mogelijk zijn.’

‘Het is nogal ingewikkeld, ik zal het zo simpel mogelijk uitleggen. Een neuraal netwerk heeft, net als de hersenen, een input layer en een output layer. Signalen komen binnen in de input. Daar zitten hidden layers onder, een soort black box. Vervolgens is er een output layer. Die geeft een drie weer die scheef of onduidelijk geschreven is, maar voor ons mensen prima te herkennen als een drie. Een computer heeft daar meer moeite mee. Die deelt iedere afbeelding op in blokjes en op basis van of het zwart, wit of grijs is wordt er een bepaalde waarde aan toegekend. Dat zijn de inputwaardes voor het neuraal netwerk van het begin die worden meegegeven aan het totaal van inputparameters. De losse signaaltjes gaan door de hidden layers en dan komt hij uit op het getal drie. Hoe dan? Dat komt door per blokje te kijken of het een rechte lijn of een bochtje is. Hij heeft een heel arsenaal van mogelijke onderdeeltjes van tekens, waardoor de computer kan herkennen wat het is. Hij reduceert eigenlijk de mogelijkheden van wat het kan zijn.’

Door robots met ogen en hersens te ontwikkelen, wordt het productie- en verwerkingsproces gestroomlijnder. Dan kunnen robots de taken zelfstandig uitvoeren. Hoe meer data beschikbaar is, hoe beter een algoritme wordt. Daarmee neemt de robot de eentonige taak die nu vaak door een mens wordt gedaan over.

Personeelstekort

‘Dat helpt tegen het personeelstekort’, verteltVisser. ‘Het maakt ook dat de productie dag en nacht kan doorgaan. Vooral in landen waar resources en personeel schaars zijn en de lonen hoog, dus de westerse landen, wordt dit gebruikt. Mensen kunnen dit prima, maar in niet alle landen willen of kunnen mensen dit nog doen. Als het loon voor pikkers erg hoog is, wordt het goedkoper en wellicht ook efficiënter om dit door robots te laten doen. Door robots te blijven ontwikkelen, kunnen ze steeds meer. Niet alleen een appel omrollen, maar bijvoorbeeld ook blazen om items die in hoekje vastzitten, los te krijgen.’

De belangrijkste bedrijfstak die nu bij Covariant loopt is de ‘ordersortation’, waarmee de producten uit de rekken worden gehaald, zodat mensen minder hoeven te lopen, bukken en tillen. Er worden zo’n honderd verschillende orders verzameld in één run, vervolgens wordt de bak doorgegeven om uit te sorteren. Ook de goods-to-person picking is een grote nieuwe tak, hierbij worden ook orders verzameld. ‘Dat kan met een hoge snelheid gaan’, legt Visser uit. ‘Daarmee kun je heel wat personeel uitsparen. Onbekend maakt vaak onbemind, maar kijk eens naar wat er allemaal met AI mogelijk is.’

Self-organizing

Daar denkt Marieke Martens van TNO net zo over: ‘Self-organizing logistics is de toekomst. Hiervoor wordt lokale informatie van bijvoorbeeld een vrachtwagen gebruikt die zelf het beste weet wat hij vervoert, met bijvoorbeeld sensoren erin om alles in de gaten te houden, zoals fruit. Die weet ook of er onderhoud nodig is en of dat nu moet of nog even kan wachten. Die kan zelf een onderhoudsbeurt regelen. Als je dan ter plekke gaat kijken wat op dat moment de beste modaliteit is en dat dan ook gebruikt, scheelt dat veel. We bepalen nu vaak vooraf hoe iets vervoerd moet worden, dat zorgt soms voor vertraging en weinig flexibiliteit.’

‘Door alles, het weer, de waterstanden en ga zo maar door, te combineren, haal je de meeste winst. Hoe meer data je hebt, hoe beter het wordt. Maar hoe kun je ervoor zorgen dat verschillende partijen met hun eigen systeem inpluggen? Van iedereen vragen om met hetzelfde systeem te werken, is ondoenlijk. We zijn bezig met een proef waarin DHL, Van Berkel en TNO samenwerken. Door een digital twin van de vrachtwagens te maken, kunnen we robots de planning laten verzorgen. Daaruit is al gebleken dat die niet onderdoen voor menselijke planners. Ze komen met vergelijkbare oplossingen. Als we dat kunnen opschalen, is het niet te bevatten als mens.’