von Dr. Werner Kraus, Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA

KI in der Robotik: Wie Roboter selbst lernen

20.3.2019

Bereits sein 60-jähriges Jubiläum begeht das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA 2019. Das Institut zählt in Deutschland zu den Pionieren der industriellen Robotik. Seit 1973 sind dort über 150 unterschiedliche Roboterwerkzeuge entstanden. Jahrzehntelang bestand die Arbeitsteilung darin, die Roboter einerseits mitsamt ihren Greifern und Werkzeugen zu entwickeln und zu bauen. Zum anderen mussten die entsprechenden Programme geschrieben werden, die den jeweiligen Roboter zu seiner Aufgabe befähigen, um damit Fertigungsprozesse zu automatisieren.

© Fraunhofer IPA, Kilian Kleeberger

Nun sind wir im Zeitalter der Digitalisierung und personalisierte Produkte sollen zunehmend zu Kosten einer Massenproduktion hergestellt werden können. Künstliche Intelligenz (KI) sorgt hier für einen enormen Produktivitäts- und Innovationsschub in der Robotik. Die wesentliche Neuerung betrifft die Programmierung: Denn bei der kognitiven Robotik lernen Maschinen und Roboter mithilfe von datengenerierten Algorithmen selbst und passen sich so selbstständig an Veränderungen in der Produktion an. Dies führt zu höherer Effizienz, Flexibilität und Qualität. Im Zentrum für Cyber Cognitive Intelligence CCI des Fraunhofer IPA dreht sich deshalb alles um Forschung und Technologietransfer von KI und maschinellem Lernen.

Per Definition ist ein Industrieroboter eine Universalmaschine. Seine Aufgabe wird nicht bei dessen Konstruktion und Fertigung festgelegt. Er wird erst durch sein Werkzeug wie beispielsweise einen Greifer und die Programmierung spezialisiert. In der Fertigung und Logistik werden seit Jahrzehnten Roboter eingesetzt. Sie können allerdings nur eine bestimmte Aufgabe ausführen. Die neue Generation von Robotern wandelt sich vom Spezial- zum Multifunktionswerkzeug. Denn Machine Learning eignet sich auch dazu, den Aufwand für die Programmierung neuer Aufgaben zu reduzieren, um die Wirtschaftlichkeit des Roboters zu steigern.

 

Herausforderungen von Machine Learning in der Produktion

Eine der besonderen Herausforderungen für das maschinelle Lernen (ML) in der Produktion ist die begrenzt verfügbare Datenmenge. Die aus dem Alltagsleben bekannten Algorithmen wie automatische Produktvorschläge im Online-Handel können auf Milliarden von Daten zurückgreifen und sich anhand der Klicks und Käufe kontinuierlich verfeinern. Anwendungen in der Produktion haben außerdem höhere Anforderungen an die Genauigkeit, denn falsche oder ungeeignete Artikelempfehlungen beim Interneteinkauf sind ohne Belang. Aber ein fehlerhaftes Roboterprogramm kann ernsthafte und gefährliche Konsequenzen haben, wenn dadurch der Roboter selbst, die Anlage oder gar ein Mensch geschädigt wird.

Das wichtigste Lernverfahren für Industrieroboter besteht im Reinforcement Learning. Diese Technik wird mittelfristig die Robotik dominieren. Dabei erlernt der Roboter durch Interaktion mit seiner Umgebung (in einer Simulation oder in der Realität) Aktionen, um beispielsweise eine Türdichtung im Auto zu montieren. Nach jeder Aktion bekommt er ein digitales Feedback in Form eines numerischen Werts, um seine Arbeit in der nächsten Aktion zu optimieren. Ziel des Roboters ist es, eine noch größere Belohnung zu erhalten und die Aufgabe letzten Endes immer besser und schneller auszuführen.

 

Intelligenter Griff in die Kiste

Am Fraunhofer IPA ist die Optimierung des Griffs in die Kiste (Deep Grasping) mittels Machine Learning ein wichtiger Forschungsbereich. Es geht dabei darum, aus einer chaotisch gepackten Kiste gleichförmiger Werkstücke einzelne Objekte zu vereinzeln. Das heißt, der Roboter muss sie greifen und in einer vorgegebenen Position und Ausrichtung auf einem Werkstückträger ablegen. Die Herausforderung für den Roboter besteht bei dieser Aufgabe darin, dass für die meisten Objekte keine CAD-Modelle und nur unzureichende Stammdaten (Größe, Gewicht, Aussehen) vorhanden sind. Der Roboter muss also die Intelligenz erwerben, um selbst zu erkennen, was er wie greifen soll. Auch hier wird der Ansatz verfolgt, dieses Wissen in einer virtuellen Lernumgebung zu trainieren. Daraus entstehen vortrainierte Neuronale Netze, die anschließend auf den realen Roboter überführt und von ihm verfeinert werden.

In der Pilotphase befindet sich derzeit das Supervised Learning für Roboter. Wie zuvor beschrieben, wird in einer Simulation der auszuführende Prozess eingeübt. Aus dieser erworbenen Fähigkeit entsteht dann das Programm, das auf den realen Roboter in der Produktionsanlage übertragen wird, wo der Deep-Learning-Algorithmus dafür sorgt, dass der Roboter selbstständig, sozusagen im Learning by Doing, seine Fähigkeiten kontinuierlich verfeinert. Ein noch fortschrittlicherer Bereich ist das Imitation Learning. Tatsächlich sieht der Roboter dabei Menschen bei der Ausführung einer Aufgabe zu, um sie zu imitieren. Diese Technologie ist sehr spannend, steckt aber noch in einer sehr frühen Phase.

 

Weiterbildung Cognitive Robotics

In Kooperation zwischen der Fraunhofer Academy und dem Fraunhofer IPA können sich Datenexperten in der zweitägigen Schulung Cognitive Robotics fit für die künftige Arbeit an selbstlernenden Robotern machen. Neben tieferen Einblicken in die hier skizzierten Lernverfahren stehen Einsatzgebiete und Praxisbeispiele im Fokus der Schulung, die Teil des Fortbildungsprogramms für das Zertifikat „Data Scientist Specialized in Machine Learning“ ist.