Projekterfolg Federated Learning revolutioniert Roboter-Kommissionierung

Quelle: Pressemitteilung von Festo Lesedauer: 2 min

Anbieter zum Thema

Bei Festo in Esslingen-Berkheim fand der erfolgreiche Abschluss des Forschungsprojekts Flairop (Federated Learning for Robot Picking) ab. Lesen Sie hier, worum es dabei genau ging.

Das Forschungsprojekt Flairop, bei dem untersucht wurde, wie das sogenannte Föderierte Lernen Roboteranwendungen optimieren kann, ist erfolgreich beendet. Zu den Projektpartnern (hier einige Experten zu sehen) zählten Festo, das KIT und die kanadische Universität Waterloo.
Das Forschungsprojekt Flairop, bei dem untersucht wurde, wie das sogenannte Föderierte Lernen Roboteranwendungen optimieren kann, ist erfolgreich beendet. Zu den Projektpartnern (hier einige Experten zu sehen) zählten Festo, das KIT und die kanadische Universität Waterloo.
(Bild: Festo)

Festo forschte in den letzten zwei Jahren mit dem Karlsruher Institut für Technologie (KIT) und Partnern aus Kanada (Universität Waterloo, Darwin AI) daran, Kommissionierroboter mit verteilten KI-Methoden „intelligenter“ zu machen. Dafür untersuchten die Partner, ob 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. Das Ganze sollte geschehen, ohne dass sensible Unternehmensdaten herausgegeben werden müssten. Nach Aussage der Projektpartner ist es gelungen, zu beweisen, dass Roboter voneinander lernen können, ohne sensible Daten und Betriebsgeheimnisse zu teilen. Dadurch schütze man die Daten der Anwender und erreiche gleichzeitig eine höhere Geschwindigkeit, weil die Roboter auf diese Weise viele Aufgaben schneller übernehmen könnten. So können die kollaborativen Roboter (Cobots) zum Beispiel Produktionsmitarbeiter bei sich wiederholenden, schweren und ermüdenden Aufgaben unterstützen.

Im Zuge des Projekts wurden außerdem ein universeller, simulationsbasierter Datensatz entwickelt, mit dem autonome Greifroboter so trainiert werden können, dass sie in der Lage sind, auch jene Produkte zuverlässig zu greifen, die sie vorher noch nie „gesehen“ haben. Jetzt soll das Federated-Learning-System so weiterentwickelt werden, dass die Plattform es verschiedenen Unternehmen ermögliche, Robotersysteme gemeinsam zu trainieren, ohne untereinander Daten teilen zu müssen. Das kann die Akzeptanz solcher Systeme in der Praxis erhöhen, glauben die Wissenschaftler.

Föderiertes Lernen findet an vielen Standorten statt

Föderiertes Lernen ist, wie es weiter heißt, eine Technik des maschinellen Lernens, um datenschutzsichernde Anwendungen der künstlichen Intelligenz (KI) zu entwickeln. Anstatt die Trainingsdaten der Roboterarme in den Kommissionierzellen an einen zentralen Server zu senden, um das Modell dort zu trainieren, findet dieses Training dabei an vielen verschiedenen Standorten statt. Die lokal trainierten Modelle werden dann an den zentralen Server für maschinelles Lernen gesendet, sodass die sensiblen Trainingsdaten den Datenanbieter nicht verlassen. Dennoch ermöglicht föderiertes Lernen die Wissensvermittlung über Datensilos hinweg, indem es die verteilten Modelle aggregiert und letztlich eine hochpräzise und datengesteuerte Vorhersage der Objekterkennung und der Greifpunkte ermöglicht, wie die Projektbeteiligten erklären.

Mit Kameras auch unbekannte Objekte erkennen und greifen

Die Roboterarme in den Kommissionierzellen sind dazu 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 das aber eine recht komplizierte Aufgabe. Und es werden große Datenmengen benötigt, um vernünftige Ergebnisse zu erzielen, merkt Festo an. Die Erstellung solch großer Datenmengen ist nicht zuletzt zeitaufwendig. Aber mit Daten, die von Kommissionierzellen in verschiedenen Organisationen gesammelt wurden, konnte die Greifvorhersage für Kommissionierzellen verbessert werden. Während des Projektes wurden für das Training der Roboter insgesamt fünf autonome Kommissionierstationen aufgebaut. Zwei davon am KIT Institut für Fördertechnik und Logistiksysteme (IFL) sowie drei bei Festo in Esslingen am Neckar.

Das Projekt Flairop wurde im Übrigen vom Bundesministerium für Wirtschaft und Klimaschutz gefördert. Die Forschungsergebnisse werden nun veröffentlicht und können von allen Interessierten frei in ersten Pilotprojekten genutzt werden, wie es abschließend heißt.

(ID:49640863)

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung