Festo_BionicSoftHand_de

02: Maschinelles Sehen: Computer Vision zur Sammlung der nötigen Daten für ein virtuelles Abbild 05: Massive Parallel Learning: schnelles Lernen durch die Vervielfältigung des digitalen Zwillings BionicSoftHand Pneumatischer Greifer nach dem Vorbild der menschlichen Hand Ob greifen, halten oder drehen, tasten, tippen oder drücken – im Alltag nutzen wir unsere Hände wie selbstverständlich für die un- terschiedlichsten Aufgaben. Dabei ist die menschliche Hand mit ihrer einzigartigen Kombination von Kraft, Geschicklichkeit und Feinmotorik ein wahres Wunderwerkzeug der Natur. Eine wichtige Rolle spielt dabei der menschliche Daumen, der den anderen Fingern gegenüber positioniert ist. Diese so genannte Opponier- barkeit ermöglicht es uns beispielsweise, eine Faust zu ballen, präzise zu greifen und auch filigrane Arbeiten zu erledigen. Nachgiebige Kinematik für eine sichere Zusammenarbeit Was liegt da näher, als Roboter in kollaborativen Arbeitsräumen mit einem Greifer auszustatten, der diesem natürlichen Vorbild nachempfunden ist und durch künstliche Intelligenz lernen kann, verschiedene Aufgaben zu lösen? Damit die BionicSoftHand sicher und direkt mit dem Menschen interagieren kann, wird sie pneu- matisch betrieben. Ihre Finger bestehen aus flexiblen Balgstruktu- ren mit Luftkammern und weiteren weichen Materialien. Dadurch ist sie leicht, nachgiebig, anpassungsfähig und sensibel, aber den- noch in der Lage, starke Kräfte auszuüben. Funktionsintegration auf kleinstem Bauraum Um die Bewegungen der menschlichen Hand naturgetreu auszu- führen, sind auf engstem Raum kleinbauende Ventiltechnik, Sensorik, Elektronik und mechanische Komponenten integriert. Greifen und Lernen – ein intelligentes Zusammenspiel Mittels künstlicher Intelligenz lernt die bionische Roboterhand eigenständig Greif- und Drehaufgaben zu lösen, ähnlich wie die menschliche Hand im Zusammenspiel mit dem Gehirn: Denn unsere Hände reagieren auf die Befehle des Gehirns, liefern ihm gleichzeitig aber auch wichtige Informationen, um die weiteren Handlungen an die Umwelt und deren Anforderungen anzupassen. Neurowissenschaftler sagen, der Mensch sei nur so intelligent, weil die Hand so viele komplexe Aufgaben lösen kann. Babys beginnen sehr früh zu greifen – zum Beispiel den Finger der Mutter. Sobald sie gelernt haben, ein Objekt richtig zu fassen, können sie es drehen und von allen Seiten betrachten. So erst lässt sich ein drei- dimensionales Bild des Objektes im Kopf rekonstruieren und mit- hilfe der Hand buchstäblich begreifen. Reinforcement Learning: das Prinzip der Belohnung Die Lernmethoden von Maschinen sind mit denen des Menschen vergleichbar: Ob positiv oder negativ – sie benötigen eine Rück- meldung zu ihren Aktionen, um diese einordnen zu können und daraus zu lernen. Bei der BionicSoftHand kommt die Methode des Reinforcement Learnings zum Einsatz, des Lernens durch Bestärken. Das bedeutet: Statt einer konkreten Handlung, die sie nachahmen muss, bekommt die Hand lediglich ein Ziel vorgegeben. Dieses versucht sie durch Ausprobieren (Trial-and-Error) zu erreichen. Anhand des erhaltenen Feedbacks optimiert sie nach und nach ihre Aktionen, bis sie schließlich die gestellte Aufgabe erfolgreich löst. Digitaler Zwilling der realen Roboterhand Konkret soll die BionicSoftHand einen zwölfseitigen Würfel so dre- hen, dass am Ende eine vorher festgelegte Seite nach oben zeigt. Das Einlernen der dazu nötigen Bewegungsstrategie geschieht in einer virtuellen Umgebung anhand eines digitalen Zwillings, der mithilfe der Daten einer Tiefenkamera und der Algorithmen der künstlichen Intelligenz erstellt wird. Schneller Wissenstransfer durch Massive Parallel Learning Das digitale Simulationsmodell beschleunigt das Training erheb- lich, insbesondere wenn man es vervielfacht. Beim so genannten Massive Parallel Learning wird das erlangte Wissen mit allen virtu- ellen Händen geteilt, die dann mit dem neuen Wissensstand wei- terarbeiten: Jeder Fehler wird so nur einmal gemacht. Erfolgreiche Aktionen stehen sofort allen Modellen zur Verfügung. Nachdem die Steuerung in der Simulation trainiert ist, wird sie auf die reale BionicSoftHand übertragen. Mit der virtuell erlernten Bewegungs- strategie kann sie den Würfel auf die gewünschte Seite drehen und zukünftig auch andere Gegenstände entsprechend orientieren. Lernalgorithmen statt aufwendiger Programmierung In der Automatisierung von heute sind viele Aufgaben zu kom- plex, um jede Bewegung und Funktion direkt programmieren zu können. Aufgrund der vielen Freiheitsgrade sind auch bei der BionicSoftHand herkömmliche Steuerungsstrategien nicht ohne Weiteres anwendbar. Um ihr Produktivitäts- und Effizienzpotenzial voll auszuschöpfen, muss sie selbstständig lernen, wie sie ihr Verhalten anpassen kann, um ihre Fähigkeiten zu erweitern. 01: Pneumatisches Gesamtsystem: gefahrlose Interaktion mit der BionicSoftHand am BionicSoftArm 03/04: Digitaler Zwilling: die reale Robo- terhand und ihr virtuelles Abbild im Simulationsmodell 01 04 03 02 05 2 Festo AG & Co. KG 3 BionicSoftHand: Pneumatische Roboterhand mit künstlicher Intelligenz