Robot teaches Robot Zwei Kommissionierroboter bringen sich gegenseitig das Greifen bei

Anbieter zum Thema

Klinkhammer Intralogistics GmbH

IdentPro GmbH

Malorg Consulting GmbH

KIT Karlsruher Institut für Technologie

Ein Schlüssel zum Tor in die Industrie 4.0 heißt Roboter plus künstliche Intelligenz (KI). Damit Roboter trainiert werden können, sind aber große Datenmengen zu bewältigen. Dafür gibt es jetzt was Neues.

Autonome, flexibel einsetzbare Roboter gelten als Enabler für Industrie und Logistik 4.0. Doch um die über künstliche Intelligenz (KI) gesteuerten Robotersysteme zu trainieren, sind sehr große Datenmengen nötig, was aber kaum ein Unternehmen schafft. Hinzu kommt der Datenschutz. Forscher des Karlsruher Instituts für Technologie (KIT) haben mit Partnern nun aber Möglichkeiten entwickelt, ohne dass sensible Daten und Betriebsgeheimnisse geteilt werden müssen, wie es heißt. Die Lösung verfolgt den Weg, Roboter unterschiedlicher Unternehmen an verschiedenen Standorten voneinander lernen zu lassen. Und so kann man sich das vorstellen:

Federated Learning löst Datenschutzprobleme auf

Bei herkömmlichen maschinellen Lernmethoden werden alle Daten gesammelt und die KI auf einem zentralen Server trainiert, berichten die KIT-Experten. Durch gemeinsames, aber örtlich getrenntes Lernen, das auch Federated Learning genannt wird, lassen sich aber Trainingsdaten von mehreren Stationen, aus mehreren Werken oder sogar von mehreren Unternehmen problemlos nutzen, heißt es weiter. Damit konnten jetzt autonome Greifroboter in der Logistik so trainiert werden, dass sie in der Lage sind, Produkte auch dann zuverlässig zu greifen, wenn sie diese vorher noch nicht „gesehen“ haben. Aufgrund der Vielfalt der Gegenstände in einem Industrielager sei das eine sehr anspruchsvolle Aufgabe, die man da gelöst habe. Folgende Partner haben daran gearbeitet:

• KIT-IFL: Entwicklung Algorithmus Greifpunktbestimmung, Entwicklung automatische Lerndatengenerierung;

• KIT-AIFB: Entwicklung Federated Learning Framework;

• Festo : Konsortialführung, Entwicklung Kommissionierstationen, Pilotierung;

• University of Waterloo (Kanada): Entwicklung Algorithmus Objekterkennung;

• Darwin AI (Kanada): Lokale und globale Netzwerkoptimierung.

Roboter trainieren ohne zentrale Datensammlung

Für das Training gab es im 2021 gestarteten Projekt Flairop, das jetzt abgeschlossen ist, keinen Austausch von Daten wie Bildern oder Greifpunkten, sondern es wurden lediglich die lokalen Parameter der neuronalen Netze – also stark abstrahiertes „Wissen“ – zu einem zentralen Server übertragen. Dort wurden die Daten von allen Stationen gesammelt und mithilfe verschiedener Algorithmen zusammengeführt. Dann wurde die verbesserte Version zurück auf die Stationen vor Ort gespielt und auf den lokalen Daten weiter trainiert. Dieser Prozess wurde mehrfach wiederholt. Die Ergebnisse hätten bewiesen, dass mit Federated Learning kollaborativ robuste KI-Möglichkeiten für den Einsatz in der Logistik machbar würden, ohne sich um Datenschutz Sorgen machen zu müssen.

Für das Training der Roboter wurden insgesamt fünf autonome Kommissionierstationen aufgebaut. Zwei stehen am IFL und drei bei der Festo SE mit Sitz in Esslingen. Die Daten der Teilnehmer werden dabei nicht nur geschützt, heißt es weiter, sondern das Lernen erfolgt auch wesentlich schneller, um monotone Tätigkeiten zu übernehmen. Zukünftig wollen die Forscher ihr „Federated Learning“-System so weiterentwickeln, dass es als Plattform unterschiedlichen Unternehmen ermöglicht, Robotersysteme gemeinsam mit allen Vorteilen so zu trainieren. Für die weitere Entwicklung sucht man übrigens noch Partner aus Industrie und Forschung. Das Projekt wurde vom kanadischen National Research Council (NRC) und dem deutschen Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert. Ans KIT gingen dabei rund 750.000 Euro, heißt es abschließend.

Hier finden Sie den dazu passenden Abschlussbericht von Festo:

Projekterfolg

Federated Learning revolutioniert Kommissionierung durch Roboter

(ID:49670014)