Das Projektteam von FLAIROP. (Bild: Festo)
Der Automatisierungskonzern Festo hat in den vergangenen zwei Jahren daran geforscht, mit neuen Methoden der Künstlichen Intelligenz (KI) die Kommissionierung durch Roboter zu verbessern. Partner in dem Projekt waren Forschende des Karlsruher Institut für Technologie (KIT) und Universität Waterloo in Kanada. Gemeinsam wurde untersucht, wie möglichst vielseitige Trainingsdaten aus mehreren Werken oder sogar Unternehmen genutzt werden können, um robustere und effizientere KI-Algorithmen zu entwickeln, als mit Daten von nur einem Roboter – ohne dass sensible Unternehmensdaten herausgegeben werden müssen.
"Wir freuen uns, dass es uns gelungen ist zu zeigen, dass Roboter voneinander lernen können, ohne sensible Daten und Betriebsgeheimnisse zu teilen. Dadurch schützen wir die Daten unserer Kunden und wir gewinnen zudem an Geschwindigkeit, weil die Roboter auf diese Weise viele Aufgaben schneller übernehmen können“, sagt Jan Seyler, Leiter Advanced Development Analytics and Control bei Festo.
Verpassen Sie keine News
Auch unbekannte Objekte sicher greifen
„Wir haben einen universellen, simulationsbasierten Datensatz entwickelt, mit dem wir autonome Greifroboter so trainieren können, dass sie in der Lage sind, auch solche Artikel zuverlässig zu greifen, die sie vorher noch nicht gesehen haben“, erläutert Maximilian Gilles vom KIT. Zukünftig soll dises Federated-Learning-System dahingehend weiterentwickelt werden, dass die Plattform es verschiedenen Unternehmen ermöglicht, Robotersysteme gemeinsam zu trainieren, ohne untereinander Daten teilen zu müssen. Das kann die Akzeptanz solcher Systeme in der Praxis erhöhen (siehe Kasten).
Stichwort: Federated Learning
Federated Learning ist eine Technik des maschinellen Lernens, mit der datenschutzfreundliche KI-Anwendungen erstellt werden können. Anstatt die Trainingsdaten von den Roboterarmen in den Kommissionierzellen an einen zentralen Server zu senden, um das Modell dort zu trainieren, findet das Training an vielen verschiedenen Orten statt. Die lokal trainierten Modelle werden dann an den zentralen Machine-Learning-Server gesendet, so dass die sensiblen Trainingsdaten den Datenlieferanten nicht verlassen. Dennoch ermöglicht Federated Learning das Lernen über Datensilos hinweg, indem es die verteilten Modelle aggregiert und letztendlich eine hochpräzise, datengetriebene Vorhersage der Objekterkennung und der Greifpunkte ermöglicht.
Während des Projektes wurden für das Training der Roboter insgesamt fünf autonome Kommissionierstationen aufgebaut: Zwei am KIT Institut für Fördertechnik und Logistiksysteme (IFL) sowie drei bei der Festo SE & Co. KG mit Sitz in Esslingen am Neckar.
Die Roboterarme in den Kommissionierzellen sind mit Kameras ausgestattet, um die vor ihnen liegenden Gegenstände visuell erfassen zu können. Anhand des Kamerabildes erkennen die Roboterarme automatisch die verschiedenen Artikel und wählen ein geeignetes Greifverfahren aus. Aufgrund der Vielfalt der Gegenstände in einem Industrielager ist dies eine komplizierte Aufgabe, und es werden große Datenmengen benötigt, um vernünftige Ergebnisse zu erzielen.
Die Erstellung solch großer Datenmengen ist zeitaufwendig. Mit Daten, die von Kommissionierzellen in verschiedenen Organisationen gesammelt wurden, konnte die Greifvorhersage für Kommissionierzellen verbessert werden.