Künstliche Intelligenz für die Robotik

Griff-in-die-Kiste durch Verstärkungslernen
 

Wofür ist das gut?

Der roboterbasierte Griff-in-die-Kiste wird nicht mehr mit praktischen Greifversuchen geübt, sondern nur noch simuliert. Dadurch verkürzt sich die Lernzeit für Roboter signifikant – eine wichtige Voraussetzung dafür, dass Maschinelles Lernen in der Industrie Anwendung findet.

 

Was ist neu?

Roboter lernen wie Kinder oder Haustiere: indem man sie für richtiges Verhalten belohnt, für falsches bestraft. Beim sogenannten Verstärkungslernen erhalten Roboter für korrekt erledigte Aufgaben einen Spitzenplatz im Ranking, bei mangelhafter Ausführung hingegen Punktabzüge und Herabstufungen. Dieses Verfahren könnte schon bald im Forschungsprojekt »Deep Grasping« Anwendung finden. Darin wenden Forscher das Maschinelle Lernen auf den Griff-in-die-Kiste an. Die notwendigen Trainingsdaten werden dabei in einer virtuellen Lernumgebung erzeugt. Die vortrainierten Neuronalen Netze werden anschließend auf den realen Roboter überführt und nachtrainiert.

Erkennung von Objekten und Menschen
 

Wofür ist das gut?

Damit sich Serviceroboter in dynamischen Umgebungen bewegen können, müssen sie Personen und Objekte erkennen und ihnen ausweichen können. Ein Beispiel dafür ist »Paul«, alias Care-O-bot 4, der in mehreren Filialen des Elektronikeinzelhändlers Saturn zum Einsatz kommt. Er begrüßt die Kunden, fragt sie nach ihren Wünschen und führt sie in die jeweilige Abteilung. Im Haus der Geschichte in Bonn präsentiert er Besuchern ausgewählte Ausstellungsstücke.

Was ist neu?

Auf der Grundlage lokaler Bildmerkmale sind kognitive Serviceroboter wie der Care-O-bot 4 nun in der Lage, Personen und Gegenstände zuverlässig zu identifizieren oder zu unterscheiden. So können Roboter, die mit Menschen interagieren, zum Beispiel Alter, Geschlecht und Stimmungslage ihres Gegenübers einschätzen und entsprechend reagieren.

Sehende Montageroboter

Wofür ist das gut?

Bei klassischen Montageaufgaben wie dem Setzen von Schrauben, dem Andrücken von Dichtungen oder dem Einsetzen von Teilen bei geringen Fügetoleranzen werden große Zeitanteile verwendet, um den Roboter langsam manuell zu bewegen und den Fügevorgang im Hinblick auf Robustheit und Taktzeit feinzuteachen. Der Einsatz von Kameras und entsprechender Bildverarbeitung schon beim Teachen kann diese Zeitanteile drastisch reduzieren. Weiterhin kann oftmals auf hochqualifizierte Roboterexperten zum Programmieren verzichtet werden.

Was ist neu?

Montagemerkmale wie Schraubpositionen, Kanten oder Steckverbinder werden durch spezielle Algorithmen automatisch aus den Bilddaten extrahiert und dem Anwender zur Manipulation angeboten. Damit werden Befehle wie »Teil an Kante ausrichten«, »In Kantenrichtung bewegen« oder »Um Kante drehen« möglich. Die Auswirkung der Befehle wird direkt im Bild dargestellt, sodass auch unerfahrene Roboternutzer Montageaufgaben erfolgreich mit einem Roboter automatisieren können.

Cloud Navigation
 

Wofür ist das gut?

Eine vernetzte und kooperative Navigation von fahrerlosen Transportfahrzeugen (FTF) in industriellen Anlagen macht die FTF ‚schlanker‘, da weniger Hardware auf dem einzelnen System nötig ist, und somit wirtschaftlicher und effektiver. Das Flottenverhalten wird agil, passt sich also dynamisch der aktuellen Situation an, zudem ist die Flotte unabhängig vom Hersteller skalierbar.

Was ist neu?

Bei der Cloud Navigation sind alle FTF sowie stationären Sensoren an eine zentrale Cloud-Infrastruktur angebunden. Die Umgebungserfassung und Hinderniserkennung jedes einzelnen Fahrzeugs fließt somit in ein zentrales Umgebungsmodell ein, das alle Fahrzeuge für ihre Bahnplanung nutzen. Fahrzeuge wissen z.B. bereits von Hindernissen, ohne diese selbst über ihre Sensoren erfasst zu haben, und können direkt einen anderen Fahrweg planen. Es erfolgt also eine vernetzte, globale Bahnplanung für kooperative Planungslösungen. In bestimmten Verkehrssituationen wie Kreuzungssituationen können lokale Pfade dynamisch ausgetauscht und abgestimmt werden. Durch die Einbeziehung externer Sensoren liegen stets hochgenaue Sensorinformationen vor.

Automatische Bauteilanalyse mit NeuroCAD

 

Wofür ist das gut?

Die webbasierte Software NeuroCAD analysiert automatisch bestimmte Eigenschaften von Bauteilen, zum Beispiel wie gut sich diese vereinzeln oder greifen lassen. So erhalten Produktdesigner bereits in der Planungsphase Informationen darüber, inwieweit sie automatisierungsfreundlich konstruieren. Anbieter von Vereinzelungsvorrichtungen erhalten ein internes Instrument zur Angebotserstellung oder können es für den Vertrieb nutzen.

Was ist neu?

Bisher ist die Einschätzung, wie leicht sich ein Bauteil automatisiert herstellen lässt, an das Wissen und die Erfahrung eines Experten gekoppelt. Die Software NeuroCAD ist ein Tool, das diese Einschätzung mithilfe maschineller Lernverfahren automatisiert. Anwender können ihre STEP-Dateien hochladen und erfahren innerhalb weniger Sekunden in einer Skala von eins bis zehn, wie einfach oder schwer ein Bauteil zu vereinzeln ist. Außerdem bewertet das Tool die Greifflächen und die Ausrichtbarkeit des Bauteils. Die Ausgabe weiterer Informationen wie zum Beispiel der Positionierbarkeit ist in Arbeit. Neben der Bewertung des Bauteils nennt das neuronale Netz zudem eine Wahrscheinlichkeit dafür, dass es mit seiner Bewertung richtig liegt.

Weiterführende Informationen

 

Griff-in-die-Kiste

 

3D-Bildverarbeitung

 

Automatische Bauteilanalyse mit NeuroCAD