Đại học Quốc gia Jeonbuk đang vận hành một phòng thí nghiệm Physical AI mô phỏng dây chuyền sản xuất thực, với mục tiêu đưa AI vào điều phối robot, AMR và thiết bị công nghiệp, từ đó phát hiện bất thường, đề xuất phương án xử lý và từng bước tiến tới mô hình “quản đốc AI” cho nhà máy tự chủ.

Tại khu thử nghiệm ở Jeonju, một cánh tay robot gắp vô-lăng và đặt lên băng chuyền để chuyển linh kiện sang công đoạn kế tiếp. Một robot khác tiếp tục gắp, gia công và lắp ráp. Trong khi đó, robot tự hành AMR di chuyển giữa các trạm để vận chuyển vật liệu. Khi một phóng viên vô tình bước vào vùng an toàn trước trạm robot, chuông cảnh báo lập tức vang lên và thiết bị đang hoạt động dừng ngay. Trên màn hình digital twin gắn trên tường, trạng thái công đoạn cũng được cập nhật sau khoảng 0,5 giây.

Ngày 27, phòng “Physical AI Manufacturing Technology Demonstration Lab” tại Đại học Quốc gia Jeonbuk được giới thiệu như một không gian thử nghiệm cho công nghệ giúp nhà máy tự động hóa có thêm khả năng tự ra quyết định. Nếu tự động hóa truyền thống chủ yếu lặp lại quy trình cố định, mục tiêu ở đây là nâng lên mức thiết bị có thể tự nhận biết bất thường và điều chỉnh trình tự công việc. Hiện hệ thống đã có khả năng phát hiện bất thường và đưa ra khuyến nghị ứng phó; công nghệ cho phép AI can thiệp trực tiếp để khôi phục quy trình sẽ được phát triển trong giai đoạn dự án chính.

Khu thử nghiệm có diện tích 846 m², được xây dựng từ dự án chứng minh khái niệm (PoC) năm ngoái với kinh phí 6,77 tỷ won. Riêng khu sản xuất, ký hiệu P zone, mô phỏng quy trình thực tế với 9 trạm robot bố trí thành một hàng.

Tại đây, AMR đưa nguyên vật liệu tới từng công đoạn, sau đó hệ thống thị giác máy kiểm tra tình trạng vật liệu. Những linh kiện đạt chuẩn sẽ lần lượt đi qua các bước xử lý ba via, khắc laser, gia công, lắp ráp và kiểm tra chất lượng; sản phẩm lỗi được chuyển sang một tuyến riêng. Nhóm nghiên cứu cho biết đã cấu hình quy trình cho ba loại sản phẩm, trong đó có vô-lăng và gương chiếu hậu ôtô.

Ông Kim Soon-tae, Trưởng ban Thúc đẩy dự án công nghệ hội tụ Physical AI của Đại học Quốc gia Jeonbuk, cho rằng việc chỉ đưa robot hình người vào nhà máy không đồng nghĩa năng suất sẽ tăng ngay. Theo ông, mục tiêu của dự án là giúp các thiết bị hiện có phối hợp nhịp nhàng hơn để nâng hiệu quả vận hành.

Trọng tâm của dự án không nằm ở chuyển động của từng robot riêng lẻ, mà ở một lớp điều hành cấp nhà máy giúp toàn bộ hệ thống vận hành tự chủ. Tại phòng thí nghiệm, cánh tay robot, AMR, cảm biến và thiết bị gia công được kết nối vào cùng một hệ thống để chia sẻ kế hoạch sản xuất và dữ liệu thiết bị. Khi một nghiên cứu viên yêu cầu “hiển thị tình trạng công đoạn A4”, tác nhân AI đã truy xuất dữ liệu sản xuất và mở đúng màn hình liên quan.

Việc quản lý công đoạn được phân cho nhiều AI cùng đảm nhiệm. Mỗi trạm có một tác nhân phụ trách riêng, trong khi một tác nhân tích hợp theo dõi toàn bộ dây chuyền. Khi giá trị cảm biến vượt ngưỡng bình thường, tác nhân tại công đoạn sẽ phát hiện bất thường; sau đó tác nhân tích hợp xác định điểm phát sinh vấn đề và đề xuất cách xử lý cho người vận hành.

Dù vậy, nếu một thiết bị gặp sự cố, việc điều chỉnh toàn bộ dây chuyền liên hoàn, bao gồm cả các thiết bị khác và robot logistics, hiện vẫn cần con người hoặc một hệ thống điều khiển cấp cao can thiệp.

Mục tiêu tiếp theo của dự án Physical AI tại Jeonbuk là nâng mức tự chủ lên thêm một bước. Trong kịch bản một thiết bị gia công phát sinh bất thường, hệ thống sẽ phải tự xác định nguyên nhân, điều chỉnh thứ tự các công đoạn phía sau hoặc phân bổ sản xuất sang thiết bị khác. Công nghệ để AI trực tiếp điều khiển thiết bị nhằm khôi phục quy trình và tối ưu đồng thời nhiều công đoạn cũng sẽ được phát triển trong giai đoạn dự án chính.

Bên cạnh P zone là khu đổi mới, ký hiệu I zone, nơi bố trí chung nhiều thiết bị như multi-manipulator, robot di động hai tay, hệ thống motion capture và thực tế ảo (VR). Nếu P zone mô phỏng dây chuyền sản xuất thực, I zone là nơi huấn luyện robot về chuyển động. Tại đây, chuyển động của con người được ghi lại bằng motion capture, sau đó chuyển thành dữ liệu học cho robot, đồng thời phục vụ thu thập và huấn luyện nhiều dạng dữ liệu hành vi. I zone hiện có tổng cộng 8 loại thiết bị, với 20 bộ máy.

Trong một phòng motion capture riêng, một nghiên cứu viên của Đại học Quốc gia Jeonbuk gắn marker lên cơ thể rồi cử động hai tay; robot hình người Unitree của Trung Quốc đứng đối diện lập tức mô phỏng theo tư thế tương tự. Nhóm nghiên cứu cho biết do mục tiêu không phải phát triển phần cứng mà là xây dựng “trí tuệ hành vi” có thể áp dụng cho nhiều loại robot, họ sử dụng cả các mẫu robot nhập khẩu đang phổ biến trên thị trường làm chuẩn thử nghiệm trong phòng lab.

Các camera tốc độ cao gắn trên trần sẽ ghi nhận chuyển động khớp của con người, sau đó chuyển đổi cho phù hợp với cấu trúc cơ thể robot, tức công nghệ “retargeting”. Dữ liệu chuyển động của con người tiếp tục được chuyển thành thông tin khớp của robot và dữ liệu hình ảnh để huấn luyện. Những động tác khó thu thập trong môi trường thực hoặc các tình huống ngoại lệ được bổ sung bằng dữ liệu tổng hợp tạo từ Nvidia Isaac Sim.

Ở một thiết bị khác, con người trực tiếp điều khiển robot hai tay để dạy các thao tác gắp và lắp ráp. Thông tin về khớp robot cùng video từ camera được lưu lại làm dữ liệu học. Theo nhóm nghiên cứu, mô hình hành vi của robot được huấn luyện bằng cách kết hợp dữ liệu hành vi thực tế với dữ liệu mô phỏng.

Buổi trình diễn cũng cho thấy việc thu thập dữ liệu trên thiết bị thật không phải lúc nào cũng diễn ra suôn sẻ. Một phóng viên đeo thiết bị VR để trải nghiệm điều khiển từ xa, nhưng hệ thống không hoạt động ngay lập tức. Điều này phần nào phản ánh đặc thù của môi trường thu thập dữ liệu trực tiếp trên máy móc thực, nơi luôn tồn tại những biến số ngoài dự kiến.

Môi trường ảo cũng được sử dụng để tạo ra những bộ dữ liệu khó thu thập trong nhà máy thực. Mục tiêu là huấn luyện các tình huống hiếm gặp nhưng đòi hỏi phản ứng quan trọng, như cháy nổ hoặc hỏng thiết bị. Do không thể cố ý tạo tai nạn trong nhà máy, nhóm nghiên cứu xây dựng các kịch bản ngoại lệ bằng VR hoặc mô phỏng để thu dữ liệu phản ứng của con người và robot.

Việc thử nghiệm không chỉ dừng ở phòng lab. Nhóm nghiên cứu của Đại học Quốc gia Jeonbuk cho biết công nghệ PoC năm ngoái đã được áp dụng tại ba doanh nghiệp phụ tùng ôtô ở Jeonbuk, gồm DH Autolead, Daeseung Precision và Donghae Metal.

Tại DH Autolead, AMR được đưa vào khâu vận chuyển giữa các công đoạn. Tại Daeseung Precision, một phần công việc nạp/xuất vật liệu cho thiết bị gia công và phân loại linh kiện đã được tự động hóa. Theo nhóm nghiên cứu, sản lượng tại hai doanh nghiệp này tăng lần lượt 7,4% và 11,4%.

So với năm ngoái khi dự án mới dừng ở giai đoạn PoC, quy mô triển khai từ năm nay sẽ được mở rộng đáng kể. Bộ Khoa học và ICT Hàn Quốc cùng NIPA sẽ đầu tư tổng cộng 1.413,1 tỷ won cho R&D Physical AI tại Gyeongnam và Jeonbuk trong giai đoạn 2026-2030. Trong đó, Jeonbuk được phân bổ 736,8 tỷ won, còn Gyeongnam nhận 676,3 tỷ won, để triển khai tổng cộng 35 nhiệm vụ R&D.

Theo Bộ Khoa học và ICT Hàn Quốc, cốt lõi của Physical AI là giúp thiết bị sản xuất nhận biết bối cảnh xung quanh, tự đánh giá và tự vận hành. Để làm được điều này, không chỉ cần phần mềm kết nối các robot và thiết bị sản xuất khác nhau, mà còn cần dữ liệu học được thu thập từ nhiều tình huống phát sinh trong nhà máy thực. Mục tiêu của chương trình R&D lần này là vượt khỏi phạm vi tự động hóa đơn thuần, để các thiết bị có thể phối hợp với nhau ngay cả trong các tình huống ngoại lệ.

Ông Lee Jun-woo, PM mảng Manufacturing AX của NIPA, cho biết theo cách nhìn của bộ, Physical AI không chỉ giới hạn ở robot hình người. Trong môi trường sản xuất vốn đã được tự động hóa ở mức cao, điều quan trọng hơn là “thông minh hóa” các thiết bị và robot hiện có, đồng thời kết nối chúng trong một hệ thống thống nhất.

Kế hoạch xây dựng hệ sinh thái full-stack Physical AI nội địa cũng đang được định hình rõ hơn. Dù Hàn Quốc khó có thể loại bỏ hoàn toàn các nền tảng nước ngoài như Nvidia Isaac Sim hay Siemens, định hướng hiện nay là để nhà nước dẫn dắt việc làm chủ và tiêu chuẩn hóa những lớp công nghệ có thể thay thế bằng giải pháp trong nước, như OS nhà máy, mô hình AI và điều khiển thiết bị.

Ông Kim Soon-tae cho biết mục tiêu cuối cùng là tạo ra một “quản đốc AI”, tức xây dựng môi trường để AI có thể vận hành nhà máy một cách tự chủ.