Resumen ejecutivo
La manufactura global está entrando en una nueva fase de competencia. El alza de los costos de mano de obra en las principales regiones productoras ha acelerado la aparición de fábricas altamente automatizadas que operan con intervención humana mínima. Estas plantas, apodadas "fábricas fantasma", establecen un nuevo punto de referencia en producción, consistencia y eficiencia de costo. Los fabricantes que no pueden competir con ese nivel de desempeño corren un riesgo serio de perder participación de mercado.
La brecha más evidente entre una fábrica convencional y una fábrica fantasma está en el transporte y la introducción de piezas a la línea de ensamble. Las fábricas fantasma son nuevas y por lo tanto parten de inversión de capital fresca, lo que significa que la variabilidad se puede contemplar desde el primer día. Cada contenedor y cada rack está diseñado para la precisión, garantizando que las piezas lleguen en la misma posición y orientación, todas las veces, a lo largo de miles de ciclos. Las instalaciones establecidas no tienen ese lujo. Operan con cientos de contenedores y racks existentes, atados a distribuciones de línea heredadas y dañados con el paso del tiempo. Reemplazar esa infraestructura para lograr repetibilidad exigiría un gasto enorme con un retorno de inversión negativo en el corto y mediano plazo.
La alternativa es conservar el equipo de manejo de material existente en un estándar utilizable y cerrar la variabilidad restante con visión robótica. Esta vía intermedia da la adaptabilidad de las fábricas fantasma sin el costo prohibitivo de reconstruir. Esta es la solución que ofrecen de forma conjunta Ethos Automation y Apera AI. Apera AI aporta la inteligencia de visión mientras Ethos Automation entrega el diseño mecánico y la integración robótica. Juntos, este enfoque cierra la brecha y permite que los fabricantes establecidos sigan siendo competitivos frente a plantas nuevas y totalmente automatizadas.
Visión e integración
Cerrar la brecha con las fábricas fantasma por este método requiere dos cosas: la capacidad de encontrar la pieza en toda su variación del mundo real, y la capacidad de extraerla y colocarla de forma consistente sobre el datum de la línea de ensamble.
Apera AI logra lo primero con un par estéreo de cámaras monocromáticas 2D que reconstruyen un modelo 3D de la escena. Esa reconstrucción combina emparejamiento clásico de características con estimación de profundidad guiada por IA, produciendo una nube de puntos más completa y más precisa incluso en zonas de poca textura o con ruido. Las oclusiones, las sombras y el contraste pobre que normalmente provocarían profundidad faltante quedan compensados por el modelo de IA. Una vez establecida la reconstrucción 3D, un segundo modelo de IA identifica la pieza objetivo dentro de la nube de puntos. Como estos modelos se entrenan desde cero para cada pieza usando millones de ejemplos simulados, el esfuerzo de configuración es más pesado al inicio. La recompensa es un detector que generaliza de forma confiable a condiciones reales: resistente al ruido, a la iluminación variable, a la distorsión geométrica y a la oclusión parcial.
Los modelos de IA de Apera son intensivos en cómputo, pero Apera usa una arquitectura de software por etapas que asegura que eso no frene la producción. En lugar de correr el modelo más pesado sobre toda la reconstrucción 3D, el sistema aplica primero un detector rápido y grueso que delinea piezas potenciales en la nube de puntos. Un algoritmo de prioridad, elegido por Ethos y Apera caso por caso, selecciona entonces los candidatos para procesamiento adicional, y solo esas zonas pasan al modelo de reconocimiento completo para su confirmación. Una vez confirmada la pieza, corre la estimación de pose, simulando múltiples aproximaciones de toma en espacio virtual para identificar un agarre libre de colisión. El sistema detiene el procesamiento en cuanto encuentra una pieza válida que se puede tomar. Esto asegura que el tiempo de ciclo resultante pueda sostener producción continua sin sacrificar la confiabilidad y la precisión que se ganaron.
Detectar una pieza es solo la mitad del problema. El robot todavía tiene que llegar a ella y extraerla dentro de las restricciones mecánicas de una celda real. Tomar piezas de contenedores o racks introduce claros cerrados, orientaciones variables y riesgo de colisión con las estructuras alrededor. Aquí es donde Ethos y Apera convierten el reto en un problema de etapa temprana en vez de una sorpresa dolorosa después de fabricar. Ethos usa Siemens Process Simulate para modelar manualmente el robot, el herramental de punta de brazo y toda la trayectoria de movimiento para toma y colocación, confirmando la factibilidad antes de construir la primera pieza de hardware. En paralelo, Ethos aprovecha Apera Forge Labs para someter el herramental a prueba a lo largo de miles de configuraciones aleatorias de contenedor y rack, verificando que el diseño siga cumpliendo los requisitos del cliente bajo variabilidad real. Juntas, estas herramientas nos permiten prever cuándo hace falta un pedestal para reorientar una pieza, o cuándo va a ser necesario un diseño distinto de herramental, mucho antes de que esos temas se vuelvan cambios caros en piso.
Ethos reúne diseño mecánico, ingeniería eléctrica y programación de automatización bajo un mismo techo. En robótica basada en visión, donde hay que manejar incontables posiciones y comportamientos de pieza, esa integración es crítica. Ethos también ha desarrollado un ritmo de trabajo sólido con Apera, alineando los flujos entre equipos. Como muestran los siguientes ejemplos, esa colaboración entrega sistemas que se desempeñan de forma confiable en condiciones reales de manufactura.
Picking de contenedor: qué hace el sistema
Para ilustrar las capacidades conjuntas de Apera AI y Ethos Automation, empezamos con el picking de contenedor, que representa el pan de cada día de Apera y demuestra las fortalezas de punta a punta en todo el espectro, de la toma a la colocación.
- Las restricciones de obstáculos definidas por software, como las paredes del contenedor, se incorporan tanto a la validación de pose de toma como a la planeación de la trayectoria de salida.
- Una IA de planeación de trayectoria genera rutas de extracción libres de colisión tomando en cuenta esos obstáculos definidos por software.
- El sistema soporta reconocimiento multiclase de piezas, lo que permite tomar y clasificar automáticamente distintos tipos de pieza.
- Se aplica compensación de colocación para corregir agarres descentrados, asegurando posicionamiento preciso incluso con piezas simétricas.
Picking de contenedor: en la práctica
En todos los proyectos de picking de Apera, la celda se configura para reconocer los límites físicos del contenedor mismo, junto con elementos del entorno como el enrejado y los soportes de cámara. Estos se definen como restricciones de software y se incluyen directamente antes de la etapa de planeación de trayectoria. El modelo de estimación de pose y planeación de Apera AI genera entonces rutas seguras de toma y de salida que respetan esos límites digitales, permitiendo que el robot encuentre rutas alternativas de forma automática. Con diseño de etapa temprana podemos contemplar cada situación, asegurando que cada escenario tenga solución. Las colisiones potenciales o los movimientos inviables los descarta el software automáticamente como opciones no válidas. El resultado es un sistema de múltiples soluciones donde el robot no falla, solo elige otra ruta válida.
Más allá de evitar obstáculos, los proyectos de picking seguido requieren manejar varios tipos de pieza dentro de la misma celda. El modelo de reconocimiento de Apera AI se puede entrenar para reconocer varias piezas distintas en un mismo contenedor, incluso cuando están amontonadas o parcialmente tapadas. Ethos ha configurado un sistema donde las piezas se identifican y se clasifican hacia las ubicaciones de salida correctas. Este enfoque permite que una sola celda robótica reemplace varias estaciones manuales de clasificación, con la inteligencia para adaptarse contenedor por contenedor sin intervención del operador.
Otra fortaleza está en manejar muchos puntos de agarre potenciales, incluso en piezas simétricas. En la práctica esto significa que el robot puede tomar una pieza descentrada o en ángulo por cómo quedó acomodada en el contenedor. Ethos programa al robot para compensar eso durante la colocación. Si la pieza se toma del borde, los movimientos de colocación se ajustan automáticamente para restaurar la orientación final correcta. Cada configuración adicional de toma aumenta la resiliencia del sistema al reducir las situaciones en las que el robot no puede continuar. Con el tiempo, esa biblioteca de poses de toma configuradas se vuelve un seguro contra piezas imposibles de tomar.
Picking de rack: un problema más difícil
El picking de rack presenta mayor complejidad que el de contenedor. Los racks suelen tener más variabilidad entre sí, restricciones geométricas no estándar, y además se deforman con el tiempo. A diferencia de los contenedores, el autopilot de prevención de colisiones de Apera no se puede aplicar directamente por la complejidad, lo que vuelve esenciales las soluciones creativas de integración.
- Los arreglos de visión eye-in-hand, con la cámara montada en el herramental de punta de brazo, exigen posicionamiento preciso para el campo de visión de la cámara.
- Se pueden entrenar modelos de IA a la medida no solo para piezas, sino también para elementos del rack como los ganchos.
- Las secuencias de inicialización optimizan la distancia cámara-pieza para máxima precisión.
Picking de rack: en la práctica
En un proyecto, el tamaño mismo de las piezas significaba que el componente completo no cabía en el campo de visión de la cámara a corta distancia. Para capturar una imagen utilizable, la cámara tenía que mantenerse al menos a un metro. Como era una aplicación eye-in-hand, desarrollamos una estrategia de avanzar la cámara de forma incremental después de la captura inicial, manteniendo la pieza dentro de un rango de 1.1 a 1.3 metros. Eso le permitió al sistema de visión alcanzar la resolución máxima sobre la pieza y llegar a la precisión de colocación requerida de 0.3 mm con menos de un grado de desviación rotacional.
El cliente también pidió un ajuste automático de la profundidad de cámara, para que el operador no tuviera que capturar la profundidad aproximada cuando se carga un rack nuevo. El robot realiza primero una pasada de estimación de profundidad, identificando la pieza más cercana y estableciendo una distancia de referencia. A partir de ahí se aplican offsets matemáticos para colocar la cámara en el rango óptimo de reconocimiento y precisión de colocación. Eso aseguró que cada toma posterior empezara desde el mejor punto de vista posible, minimizando errores por ruido, oclusión o desalineación.
Otra solución consistió en entrenar un modelo de IA adicional específicamente para detectar los ganchos que sostienen las piezas en la barra frontal del rack. La deformación de los racks hacía que la posición de los ganchos variara de columna a columna y de rack a rack. Al reconocer los ganchos directamente, el sistema se adapta en tiempo real y ajusta su ruta de extracción hacia arriba o hacia abajo para evitar interferencia. Eso convirtió una fuente potencial de error en una parte predecible del proceso.
Por dónde empezar
La robótica guiada por visión es más adecuada para tareas donde las piezas deben introducirse a una línea de ensamble pero llegan mezcladas o revueltas, con variación en posición, orientación o condición. Donde la automatización tradicional falla ante la variabilidad, Apera AI y Ethos Automation ofrecen un camino hacia un desempeño confiable sin un rediseño costoso.
El proyecto típico empieza por la factibilidad. Con datos de CAD o piezas de muestra, Ethos corre simulaciones en Siemens Process Simulate y Apera Forge Lab para validar la factibilidad y sacar a la luz los retos desde temprano, modelando al mismo tiempo el alcance del robot, el herramental de punta de brazo y las trayectorias de movimiento. Ese estudio combinado da una visión clara del ajuste técnico, los tiempos de ciclo y el retorno antes de comprometerse a comprar hardware.
De ahí se desarrolla una celda piloto. Apera entrena el modelo de IA para las piezas específicas mientras Ethos diseña y prueba el herramental y el programa del robot. El piloto demuestra la capacidad del sistema de tomar y colocar en condiciones reales, dando confianza tanto en la precisión como en la producción. Una vez validado, llevarlo a producción es directo, porque la mayor parte del trabajo ya se hizo en el piso de Ethos.
El paso final es el despliegue. Ethos administra la instalación y la puesta en marcha. Se capacita a los operadores y el sistema pasa a producción con un mínimo de tiempo muerto. Ya sea una estación sencilla de picking de contenedor o una celda compleja de múltiples racks, este proceso por etapas asegura resultados predecibles.
Para los fabricantes que enfrentan la presión de las fábricas fantasma y de la competencia global, el siguiente paso es claro: explorar cómo el picking guiado por visión encaja en su operación. Los equipos de Ethos y Apera están listos para demostrar la factibilidad y acompañarlo del concepto a la producción.