Kategorie: Künstliche Intelligenz & maschinelles Lernen

Intelligente Zuführung

Zwei Scara-Roboter von Stäubli bestücken Trays mit Flaschen und Flakons.

Mit der GlassFeeder-Serie hat der spanische Automatisierer Teknics ein Zuführsystem mit hoher Flexibilität entwickelt. Mithilfe von Deep Learning passt sich die Anlage an unterschiedliche Größen, Formen und Oberflächen von Parfümflakons an und erfüllt die hohen Anforderungen der Kosmetikindustrie an Prozesssicherheit und Hygiene. Zwei Scara-Roboter von Stäubli sorgen dabei für die ebenso schnelle wie präzise Handhabung der Flakons.

Wie gelingt die Roboterintegration?

Roboter in Kombination mit Sensoren und moderner Programmiersoftware eröffnen ganz neue Möglichkeiten.

Um Unternehmen gegen kurzfristige Veränderungen und Anforderungen abzusichern und ihre Wettbewerbsfähigkeit zu erhalten, sind neue, flexiblere Automatisierungslösungen mit Robotern gefragt. Damit roboterbasierte Lösungen aber zu Kosteneinsparung und Effizienzsteigerung führen, kommt es weniger nur auf die richtige Technik und Hardware als vielmehr auf strukturierte Vorüberlegungen und das Erarbeiten zeitgemäßer Automatisierungskonzepte an.

Belohnung als Anreiz zum Lernen

KI-Entwickler Julian Eßer trainiert Roboter, sich intelligent zu verhalten. Denn das Entscheidende ist, dass die Maschinen nicht nur bei kalkulierbaren Ereignissen richtig handeln. Vor allem müssen sie auch in unvorhergesehen Situationen das Richtige tun. Dafür testet er als Mitglied des AI Grids, einer Initiative des Bundesforschungsministeriums, die vielversprechende Talente in künstlicher Intelligenz in Deutschland fördert, am Fraunhofer IML Hunderte Roboter in virtuellen Welten. Ziel ist, dass die Maschinen üben und lernen, mit Störungen und Varianten ähnlicher Situationen umzugehen – und dann selbst Varianten anbieten. Dafür kommt eine Art Belohnungssystem für Roboter zum Einsatz: So lernen sie leichter aus Fehlern und wählen den schnellsten und effektivsten Weg zum Ziel.

Kollisionsfrei unterwegs

Damit RL-Agenten in Echtsituationen zum Einsatz kommen können, muss es daher zusätzliche Sicherheitsfunktionen geben, die möglichst Performance-freundlich sind. Dem Team von Wissenschaftlern ist es mit Hilfe des BRSL gelungen, die Sicherheit wesentlich zu erhöhen und gleichzeitig das System nur geringfügig einzuschränken.

Mit Hilfe von Reinforcement-Learning-Algorithmen können Roboter auch anspruchsvolle Bewegungen in einer unbekannten Umgebung und bei unbekannten Robotermodellen erlernen – doch wie kann man sicherstellen, dass sie Sicherheitsbeschränkungen respektieren, ohne dass sich ihre Performance verschlechtert?