Produktion, Lager, Versand – wo Güter hergestellt, sortiert oder verpackt werden, wird auch kommissioniert. Dabei greifen oft Roboter einzelne Waren aus Kisten und stellen sie neu zusammen. Festo forscht im Projekt FLAIROP mit Partnern aus Deutschland und Kanada, um Kommissionierroboter mit verteilten KI-Methoden intelligenter zu machen. Sie untersuchen, wie man Trainingsdaten von mehreren Stationen, Werken oder Unternehmen nutzen kann, ohne sensible Unternehmensdaten herausgeben zu müssen.
„Wir untersuchen, wie möglichst vielseitige Trainingsdaten von mehreren Standorten genutzt werden können, um mit Hilfe von Algorithmen der künstlichen Intelligenz robustere und effizientere Lösungen zu entwickeln, als mit Daten von lediglich einem Roboter“, sagt Jonathan Auberle vom Institut für Fördertechnik und Logistiksysteme (IFL) am Karlsruher Institut für Technologie (KIT).
Dabei werden an mehreren Kommissionierstationen Artikel von autonomen Robotern mittels Greifen und Umsetzen weiterverarbeitet. An den verschiedenen Stationen werden die Roboter mit ganz unterschiedlichen Artikeln trainiert. Am Ende sollen sie in der Lage sein, auch Artikel anderer Stationen zu greifen, die sie vorher noch nicht kennengelernt haben. „Durch den Ansatz des verteilten Lernens, auch Federated Learning genannt, schaffen wir den Spagat zwischen Datenvielfalt und Datensicherheit im industriellen Umfeld“, so der Experte.
Bisher wurde Federated Learning überwiegend im medizinischen Sektor zur Bildanalyse eingesetzt, wo der Schutz von Patientendaten natürlich einen besonders hohen Stellenwert hat. Daher gibt es für das Training des künstlichen neuronalen Netzes keinen Austausch von Trainingsdaten wie Bilder oder Greifpunkte. Es werden lediglich Teile von gespeichertem Wissen – die lokalen Gewichte des neuronalen Netzes, die sagen, wie stark ein Neuron mit einem anderen verbunden ist – zu einem zentralen Server übertragen. Dort werden die Gewichte von allen Stationen gesammelt und mit Hilfe verschiedener Kriterien optimiert. Anschließend wird die verbesserte Version zurück auf die lokalen Stationen gespielt und der Prozess wiederholt sich.
Ziel ist die Entwicklung von neuen leistungsstärkeren Algorithmen für den robusten Einsatz von künstlicher Intelligenz für die Industrie und Logistik 4.0 unter Einhaltung der Datenschutzrichtlinien.
„Im Forschungsprojekt FLAIROP entwickeln wir neue Wege, wie Roboter voneinander lernen können, ohne sensible Daten und Betriebsgeheimnisse zu teilen. Das bringt zwei große Vorteile: Wir schützen die Daten unserer Kunden und wir gewinnen an Geschwindigkeit, weil die Roboter auf diese Weise viele Aufgaben schneller übernehmen können. So können die kollaborativen Roboter zum Beispiel Produktionsmitarbeiter bei sich wiederholenden, schweren und ermüdenden Aufgaben unterstützen“, sagt Jan Seyler, Head of Advanced Develop. Analytics und Steuerung bei Festo.
„DarwinAI freut sich, unsere Explainable (XAI)-Plattform für das FLAIROP-Projekt zur Verfügung zu stellen und über die Zusammenarbeit mit so angesehenen kanadischen und deutschen Forschungsorganisationen sowie unserem Industriepartner Festo. Wir hoffen, dass unsere XAI-Technologie hochwertige Human-in-the-Loop-Prozesse für dieses spannende Projekt ermöglichen wird, das neben unserem neuartigen Ansatz des Federated Learning eine wichtige Facette unseres Angebots repräsentiert. Da wir unsere Wurzeln in der akademischen Forschung haben, sind wir begeistert von dieser Zusammenarbeit und den industriellen Vorteilen unseres neuen Ansatzes für eine große Bandbreite von Fertigungskunden“, sagt Sheldon Fernandez, CEO von DarwinAI.
„Die University of Waterloo ist begeistert, mit dem Karlsruher Institut für Technologie und einem weltweit führenden Unternehmen der Industrieautomation wie Festo zusammenzuarbeiten, um die nächste Generation der vertrauenswürdigen künstlichen Intelligenz in die Fertigung zu bringen“, sagt Dr. Alexander Wong, Co-Direktor der Vision and Image Processing Research Group, University of Waterloo, und Chief Scientist bei DarwinAI.
„Durch die Nutzung von DarwinAIs Explainable AI (XAI) und Federated Learning können wir KI-Lösungen schaffen, die Fabrikarbeiter bei ihren täglichen Produktionsaufgaben unterstützen, um die Effizienz, Produktivität und Sicherheit zu steigern.“
Ein Forschungsartikel aus dem deutsch-kanadischen Projekt FLAIROP hat es in die Finalrunde um den "Best Conference and Application Paper Award" der IEEE International Conference on Automation Sciences and Engineering (CASE) in Mexico-City geschafft. CASE ist eine Flaggschiff-Konferenz der IEEE Robotics & Automation Society. Sie bietet ein zentrales Forum für die multidisziplinäre Forschung im Bereich der Automatisierung und Robotik.