تصور کنید یک پیمانکار ساختمانی بتواند بدون خرید یک تکماشین جدید، کل ناوگان بیلهای مکانیکی قدیمی خود را به رباتهای خودران تبدیل کند. این همان رویای ۲۰۰ میلیون دلاری است که حالا با سرمایهگذاری سافتبنک (SoftBank) در شرکت Gravis Robotics به واقعیت نزدیکتر شده است. این مبلغ، بزرگترین سرمایهگذاری سری A در تاریخ رباتیک ساختمانی است و نشان میدهد که سرمایهگذاران از رباتهای انساننما خسته شدهاند و حالا به دنبال هوش مصنوعی فیزیکی در محیطهای پیشبینیناپذیر هستند. این سرمایهگذاری در زمانی صورت میگیرد که هوش مصنوعی فیزیکی در حال گسترش به فراتر از رباتهای انساننما و اتوماسیون انبارها است. هدف، ورود به بخشهایی است که ماشینها باید با مناظر پیچیده و متغیر تعامل داشته باشند. برای Gravis، این محیط همان سایت ساختوساز است.
همانطور که در تحلیلهای قبلی ما دربارهی امنیت مدلهای بازمتن و لایههای کنترل دیدیم، انتقال هوش مصنوعی از محیطهای آزمایشگاهی به دنیای واقعی، نیازمند سختافزارهای مقاوم و لایههای نرمافزاری منعطفی است که با خطاهای محیطی سازگار باشند. بسیاری از تلاشهای فعلی در حوزه هوش مصنوعی فیزیکی بر رباتهای انساننما یا محیطهای کنترلشدهی انبارها متمرکز است. اما سایتهای ساختمانی اساساً متفاوتاند؛ زیرا ماشین در اینجا فعالانه محیطی را که میخواهد در آن حرکت کند، تغییر میدهد. طبق گزارش این شرکت، یک ماشین خودران معمولی سعی میکند در دنیایی که تغییر نمیکند حرکت کند، اما یک بیل مکانیکی دقیقاً برعکس عمل میکند. هر حرکتِ باکت یک بیل مکانیکی، زمین را تغییر میدهد و یک حلقه بازخورد پویا ایجاد میکند که اتوماسیونهای سنتی از پس آن برنمیآیند. این چالش در کنترل دقیق رباتها، یادآور رویکرد شرکت Enigma است که تلاش میکند کنترل رباتها را به سادگی یک پیچ تنظیم درآورد تا پیچیدگیهای عملیاتی کاهش یابد.
شرکت Gravis Robotics که در اواخر سال ۲۰۲۲ به عنوان یک شرکت مشتقشده (Spinout) از دانشگاه ETH Zurich تأسیس شد، از دل پژوهشهای عمیق در زمینه رباتیک و سیستمهای کنترل خودران بیرون آمد. این شرکت توسط رایان لوک جانز (مدیرعامل و همبنیانگذار)، دومینیک جاد (مدیر فناوری و همبنیانگذار) و مارکو هوتر (پژوهشگر رباتیک، همبنیانگذار و عضو هیئت مدیره) ساخته شد. استراتژی آنها به جای فروش ماشینهای جدید، هدف قرار دادن سرمایههای کلانی است که در حال حاضر در ناوگانهای ساختمانی موجود قفل شده است. آنها «هوش» را میفروشند که روی تجهیزاتی که پیمانکاران از قبل مالک آن هستند، نصب میشود.
مکانیزم ارتقای سختافزاری
قلب تپنده این استراتژی، Gravis RACK است؛ یک سامانه کنترل خودران ماژولار. این لایه سختافزاری به شرکت اجازه میدهد تا از وابستگی به یک تولیدکننده خاص اجتناب کند. ناوگانهای ساختمانی معمولاً از برندهای متعددی تشکیل شدهاند که طی سالها خرید و قراردادهای اجاره جمعآوری شدهاند. درخواست از پیمانکاران برای جایگزینی این ناوگانها با ماشینآلات خودرانِ ساختهشده برای هدف خاص، پذیرش این فناوری را دشوار میکرد.
به نقل از مستندات شرکت، پلتفرم RACK در حال حاضر با تجهیزات برندهای زیر سازگار شده است:
- کاترپیلار (Caterpillar) و جان دیر (John Deere)
- جیسیبی (JCB)، هیتاچی (Hitachi) و ولوو (Volvo)
- یانمار (Yanmar)، کیس (Case)، دوولون (Develon) و سومیتومو (Sumitomo)
این سیستم از لایدار سهبعدی (3D LiDAR)، دوربینها، سیستم موقعیتیابی GNSS RTK و رایانش لبه (Edge Computing) با گرید خودرویی استفاده میکند. از آنجایی که پردازش در داخل خود ماشین اتفاق میافتد، هوش مصنوعی حتی زمانی که سایتهای دورافتاده یا ناتمام فاقد اتصال اینترنت قابلاعتماد هستند، به عملکرد خود ادامه میدهد.
حل چالشهای زمین و محیط
سایتهای ساختمانی متغیرهای پیشبینیناپذیری دارند. ماشینها ممکن است با انواع مختلف خاک، سنگها، شیبهای متغیر و مقاومتهای زیرزمینی مواجه شوند. Gravis برای مدیریت این عدم قطعیت از سیستمهای کنترل رباتیک مبتنی بر یادگیری استفاده میکند. این نرمافزار دادههای هیدرولیک ماشین را با تلفیق حسگرها (Sensor Fusion) از لایدار، دوربینها و سیستم موقعیتیابی ماهوارهای جهانی (GNSS) ترکیب میکند.
این قابلیت به سیستم اجازه میدهد تا نیروهای فیزیکی را در لحظه تفسیر کند، به جای اینکه صرفاً یک توالی از پیش تعیینشده از حرکات را اجرا کند. برای تسریع در ایمنی و قابلیت اطمینان، شرکت مدلهای خود را بهطور گسترده در محیطهای شبیهسازیشده آموزش میدهد. این امر به هوش مصنوعی اجازه میدهد تا پیش از آنکه برای اولین بار با خاک واقعی تماس پیدا کند، هزاران سناریوی حفاری مجازی را تجربه کند.
ادراک پیشرفته از محیط
این سیستم فراتر از تکان دادن یک باکت است. پوشش کامل لایدار و تلفیق حسگرها باعث میشود محیط بهطور مداوم اسکن شود که مزایای عملیاتی زیر را به همراه دارد:
- تولید داده: سیستم دادههای سهبعدی از سایت و بصریسازیهای «برداشت و ریزی» (Cut-and-fill) تولید میکند.
- ثبت سوابق: ایجاد پروندههای دیجیتال دقیق از کارهای تکمیلشده.
- مدیریت مواد: سیستم ادراکی میتواند کامیونهای کمپرسی را شناسایی کرده و دقیقاً هماهنگ کند که مواد حفاریشده در کجا قرار گیرند.
با گسترش اتوماسیون از مرحله حفاری به مراحل بارگیری و جابجایی مواد، Gravis یک جریان کاری خودران کاملتر ایجاد میکند.
اتوماسیون با حضور انسان (Human-in-the-Loop)
Gravis اتوماسیون را یک کلید تکحالته (روشن/خاموش) نمیبیند. اپراتورها از طریق رابط تبلت Slate میتوانند بسته به وظیفه خاص، از بین سه حالت متمایز انتخاب کنند:
۱. حالت کمکخلبان (Copilot): اپراتورها در کابین میمانند و از کنترلهای «لمس برای حفاری» (Tap-to-dig) و راهنمای بصری افزوده استفاده میکنند. وظایف از طریق هندسه طراحی به کمک کامپیوتر (CAD)، مدلسازی اطلاعات ساختمان (BIM)، نقاط مرجع فیزیکی یا مختصات تعریف میشوند. رابط کاربری دقیقاً بصری میکند که چه مقدار ماده باید برداشته یا اضافه شود.
۲. اتوماسیون نظارتشده: اپراتور از ماشین فاصله میگیرد در حالی که ماشین وظایف خودرانِ طولانیتر و تکراری را انجام میدهد.
۳. هماهنگی از راه دور: یک اپراتور واحد، چندین ماشین را از طریق ویدیوهای زنده و اطلاعات سایت نظارت میکند.
این رویکرد ترکیبی، مانع پذیرش فناوری را کاهش میدهد. سایتهای ساختمانی بهندرت شامل وظایف تکراری در شرایط کاملاً کنترلشده هستند. نگه داشتن انسان در چرخه (Human-in-the-loop) به پیمانکاران اجازه میدهد تا هوش مصنوعی را بهتدریج معرفی کنند، به جای اینکه کل سایت را برای تجهیزات بدون راننده بازطراحی کنند.
پیشروی تجاری و آزمایشهای دولتی
تجاریسازی این فناوری پیش از جذب سرمایه سافتبنک آغاز شده بود. در نوامبر ۲۰۲۵، این شرکت ۲۳ میلیون دلار جذب کرد و استقرار خود را در هفت کشور در سراسر ایالات متحده، اتحادیه اروپا، بریتانیا، آمریکای لاتین و آسیا آغاز نمود. شرکای فعلی آنها شامل شرکتهای Holcim، Taylor Woodrow، HD Hyundai و Flannery Plant Hire است.
یکی از استقرارهای فعال در حال حاضر در فرودگاه منچستر (MANU) در یک پروژه زیرساختی توسط Taylor Woodrow در حال اجراست. علاوه بر این، شرکت روی جابجایی خودران مواد معدنی کار کرده است. همکاری با Flannery در حال آزمایش یک مدل توزیع مبتنی بر اجاره است تا بیلهای مکانیکی مجهز به Gravis از طریق بازار اجاره تجهیزات در دسترس قرار گیرند.
حمایتهای دولتی اخیر نیز این فناوری را تایید کرده است. Gravis و Flannery برای برنامه CAM Pathfinder بریتانیا (برنامه تحرک متصل و خودران) انتخاب شدهاند. این ابتکار، یک سیستم کاملاً خودران را روی شش بیل مکانیکی برای انجام عملیات زیر آزمایش خواهد کرد:
- کانالکنی (Trenching)
- حفاری انبوه (Bulk excavation)
- بارگیری کامیونها
این مدل مبتنی بر اجاره میتواند موانع مالی را برای پیمانکاران کاهش دهد و هوش مصنوعی را در معرض طیف وسیعتری از شرایط زمین و پیکربندیهای ماشینآلات قرار دهد که منجر به تولید دادههای ارزشمندی برای بهبود مدلها میشود.
استراتژی لایه هوشمند
با ایجاد یک لایه نرمافزاری که بالاتر از سختافزارهای پراکنده قرار میگیرد، Gravis در تلاش است تا «مغز» سایتهای ساختمانی را استاندارد کند. سیستم کنترل مبتنی بر یادگیری آنها با ویژگیهای فیزیکی ماشینهای مختلف سازگار میشود، به جای اینکه نیاز باشد هر بیل مکانیکی بهطور مستقل برنامهریزی شود.
اگر یک هوش مصنوعی بتواند یک بیل مکانیکی ولوو و یک لودر کاترپیلار را با کارایی یکسان اداره کند، پیمانکار دیگر زندانی اکوسیستم یک فروشنده واحد نیست. این رویکرد مورد استفاده اقتصادی را تغییر میدهد. به جای اختراع یک ربات جدید، Gravis در حال اتوماسیون وظایفی است که پیمانکاران هر روز برای انجام آنها به کارگران ماهر و ماشینآلات گرانقیمت هزینه پرداخت میکنند. این تمرکز بر زیرساختهای فیزیکی برای رباتها، مشابه استراتژی شرکت Moove است که بر ایجاد زیرساختهای فیزیکی برای مقیاسدهی به رباتها تمرکز کرده است.
مقیاسدهی هوش مصنوعی فیزیکی
نتیجه این سیستم میتواند توان عملیاتی (Throughput) را تا ۳۰٪ افزایش دهد، هرچند دستاوردهای واقعی به ماشینآلات و شرایط سایت بستگی دارد. حالا چالش اصلی از مرحله پژوهش به مرحله استقرار منتقل شده است: اثبات اینکه این سیستمها در هزاران سایت واقعی، کثیف و نامنظم، سود اقتصادی مستمر ایجاد میکنند.
سرمایهگذاری ۲۰۰ میلیون دلاری سافتبنک منابع لازم برای گسترش تیم مهندسی و تسریع عرضه بینالمللی را فراهم میکند. استراتژی ارتقای سختافزاری (Retrofit) کلیدی است؛ زیرا شرکتهای ساختمانی سرمایههای عظیمی را در ماشینآلات موجود خود دارند. پلتفرمی که هوشمندی را به این داراییها اضافه میکند، سریعتر از رقبایی که مشتریان را مجبور به خرید ناوگانهای رباتیک کاملاً جدید میکنند، مقیاس مییابد.
برای صنعت ساختمان، این بدان معناست که مسیر اتوماسیون دیگر خرید یک «بیل مکانیکی رباتیک» نیست، بلکه ارتقای ناوگانی است که همین حالا در میدان حضور دارند. ماشینها از قبل در سایتها هستند؛ حالا هوشمندی در حال رسیدن به آنهاست.
گام بعدی شما
- اگر در حوزه مدیریت تجهیزات یا عمران فعال هستید، مدلهای «ارتقای هوشمند» (Retrofit) را به جای خرید تجهیزات گرانقیمت خودران دنبال کنید.
- روی استانداردهای دادههای سهبعدی در سایتهای ساختمانی تمرکز کنید؛ چرا که این دادهها به زودی به معیار پرداختهای پیمانکاری تبدیل میشوند.
- مدلهای توزیع مبتنی بر اجاره (Rental-based) را رصد کنید تا هزینههای ورود به اتوماسیون کاهش یابد.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell و پردازش لبه در محیطهای صنعتی مراجعه کنید.
گفتگو