- Virtual Reality (VR) kommer att få stor inverkan på byggbranschen. VR som ett stöd till arkitekter är en växande trend, men den mest djupa effekten kan gälla själva byggandet. VR ger en mer ”naturtrogen” representation än vad de vanligtvis förekommande textbaserade uppställningarna (som t ex Gantt-diagram) och 3D-grafiska data (som BIM-modeller).
Med VR kan entreprenörer i stort sett gå på en arbetsplats och se hur det kommer att se ut den följande veckan. Med hjälp av denna teknik kommer de inte bara att kunna se, peka på och lösa problem, utan också samordna förändringar. Annat handlar om att byggarbetare kommer också att kunna träna på sånt som ska göras innan det görs.
Konsekvenserna av detta är att byggare och arbetare på ett helt annat sätt än tidigare kan relatera till byggprojekten och det arbete som ska utföras. På sista raden kan detta ge stora besparingar både i form av tid och pengar, liksom att man kan förebygga misstag och olyckor.
- Maskinlärning kommer att ta produktdesignkreativitet till en ny nivå. Fenomenet maskininlärning accelererar nu exponentiellt. På samma sätt som forskare ”syntetiskt” har stimulerat människans hjärna för att utlösa falska minnen, är det nu möjligt att ”trycka in” ”neuroner”(nervceller) i programvara för att upptäcka objekt som aldrig har uppfunnits.
Ett exempel är Autodesks Design Graph-projekt, som reducerar enorma mängder data, identifierar relationer mellan delar (t ex redskap, bultar och skruvar), grupperar saker utifrån t ex former och ger relevanta rekommendationer. Poängen är att detta system utvecklats på ett sätt som liknar hur människans hjärna fungerar. Precis som människor kan skilja mellan en hund och en katt finns det kognitiva egenskaper i programvaran.
Säg att jag ska stimulera en uppsättning ”neuroner”/nervceller att skapa en stol och en annan uppsättning för att skapa ett flygplan: Jag kan då glida mellan de två uppgifterna, stimulera ett ”falskt minne” och se objektet ”morpha” mellan stol och flygplan. Det intressanta är inte i första hand de ”morfologiskt” olikartade exemplen, utan istället möjligheten att finna tomma, oanvända ytor i närheten av de befintliga och i detta måhända hitta nya produktmöjligheter.
- ”Kännande” robotar kommer att göra tillverkning snabbare och mer exakt. Som det är idag kan konsumentrelaterade IoT-enheter vara rent löjliga. Varför ska man t ex ha en brödrost ansluten till sin smartphone när en 35 dollars Black+Decker gör det lika bra? I den närmaste framtiden kommer IoT att ha en mycket större inverkan i industrirobotiken. Fram till nu har robotar i huvudsak varit helt blinda och bara följt de förprogrammerade rutterna/banorna, oavsett vilka personer, andra robotar eller arbetsstycket som funnit bredvid eller i närheten. Med kännande robotar förändras detta. Framöver blir tillverkningsrobotar mer flexibla och anpassningsbara till olika situationer genom att kunna göra ”egna” val över hur de ska agera effektivt.
Det pågår idag ett mycket intressant forskningsarbete kring robotar som kan upptäcka andra robotar, hinder eller människor. Madeline Gannons Quipt-projekt är ett sådant. Man jobbar här med att utveckla lösningar som kan hjälpa robotar att ”se” sin omgivning och ändra sina program för att undvika att upprepa misstag.
På Autodesk Applied Research Lab arbetar vi också med en robot som försetts med mål i stället för uppgifter. I varje givet ögonblick beräknar den kursen, eller rättar till kursavvikelser, för att nå målet.
En annan robot på labbet kan hämta en sak som den inte har jobbat med tidigare, bilda sig en ”åsikt” och sedan bestämma den lämpligaste delen för att gripa objektet. Om den misslyckas lär den sig av sina misstag. Nästa steg skulle kunna vara att ersätta robotens kameraöga med en renderad scen. Vi skulle kunna ge den ett LEGO med en parkbänk som ska sättas ihop. Eller varför inte ett LEGO som ska sättas ihop till en katt. Genom en dator och ett maskinlärningssystem ”föreställer” sig roboten dessa olika scenarier och kan genom en offline-process lära sig tiotals miljoner olika objekt samtidigt.
- Generativ design och simulering kommer att förutsäga tillverkningsförmåga. Kommer du ihåg spelet Battleship? Du kan gissa C6, få en träff och sedan spekulera i att C4 också kan vara en träff. Med tiden, genom ”trial and error”, kan du senare sänka motståndarens slagskepp.
Generativ design är som att vända på spelet och se var alla skepp är. Med simulering och generativ design kan man se alla alternativ och alla kommer att sänkas eftersom datorn före vad som är möjligt för en hjärna kunna räkna ut deras positioner.
Ett bra exempel på praktisk användning av generativ design är Airbus som utnyttjat tekniken för att skapa en flygplanspartition (en vägg som skiljer besättningen från passagerare) som är 45 procent lättare, men ändå mer hållbar, än konventionella partitioner. Av de plus 10 000 designalternativ som skapades genom generativ design valde Airbusteamet ett par som gick igenom omfattande tester i ett simuleringsprogram. Resultatet blev en strukturellt mycket stark, men ändå lättviktig partition, som kunde skrivas ut i 3D via ett additivt tillverkningssystem.
Processen sparar inte bara tid och pengar; om de tusentals nya A320-plan som för närvarande är beställda, förses med dessa partitioner kan det minska koldioxidutsläppen med hundratusentals ton per år.
- Crowdsourced data och generativ design kommer att skapa bättre arbetsplatser. Generativ design kommer först att slå i tillverkningsindustrin, där cykeltiderna är korta från början till produkt. Men det finns också utrymme för arkitekter att använda generativ design för att utforska mål, begränsningar och resultat.
Ett exempel är hur Autodesk och arkitekturstudion The Living närmade sig MaRS-byggnaden i Toronto: Först undersöktes de anställda för att man skulle förstå deras behov av samarbete, dagsljus, integritet och annat liknande. Baserat på dessa uppgifter skapade verktyget för generativ design flera alternativ med flera tusen konfigurationer.
Byggnadsorientering, antal våningar, hur man arrangerar fönster och dörrar och skuggningseffekter – alla dessa aspekter och deras konsekvenser har utforskats. Men vad förbättrar arbetstagarnas produktivitet i en byggnad? Svaret ligger i att kartlägga undersökningsdata som visar mänskliga preferenser (som varierar från person till person) via de beräkningar som utförs av datorn.
Detta tillvägagångssätt innebär att man undersöker en dynamisk situation med flera mål. Det är i detta tekniker som generativ design fungerar bäst, oftast bättre än de traditionella: ”Låt oss välja det första som fungerar”-scenariot.
