Der Blog zum Innovationsmagazin
von Siemens Österreich

0%
hi!future
Mittels Künstlicher Intelligenz sollen sich Mensch und Maschine in Zukunft besser ergänzen.

Wenn Roboter lernen

3 Min. Lesezeit
hi!future
29. Juni 2018
In Zukunft sollen auch Roboter aus ihren Erfahrungen lernen.

Bei Siemens Corporate Technology in Princeton und in Berkeley arbeiten Wissenschaftler und Forscher an der Zukunft der Robotik und Automatisierung. Ihre Werkzeuge sind Künstliche Intelligenz und adaptive Algorithmen. Ihr Ziel ist es, Roboter und Maschinen in die Lage zu versetzen, aus Erfahrung zu lernen, sodass eine aufwändige Programmierung nicht nötig ist.

Kann sich ein Roboter eine Aufgabe selbst beibringen? Das wäre ein großer Fortschritt gegenüber dem heutigen Stand der Technik, denn bisher mussten die Ingenieure jede Bewegung eines Roboters stundenlang mühsam in eine Steuerung programmieren. Bisher war das kein größeres Problem, weil Industrieroboter in der Regel Jahre damit verbringen, die immer gleichen Aufgaben zu wiederholen. Doch die Ära der Massenproduktion von Millionen identischer Artikel neigt sich dem Ende zu, die Verbraucher wollen individualisierte Produkte, die sich in Form, Farbe und sogar Funktion voneinander unterscheiden. Die Automobilindustrie ist ein Beispiel dafür. Einige Fahrzeugmodelle können Millionen von möglichen Ausstattungskombinationen haben. Wenn jede Änderung eine Neuprogrammierung erfordert, verlieren Roboter ihren Effizienzvorteil.

Einmal lernen, viele Probleme lösen

Vor diesem Hintergrund untersuchen Forscher von Siemens Corporate Technology in Berkeley, Kalifornien, gemeinsam mit Professor Pieter Abbeel an der University of California wie sich Roboter neue Aufgaben aneignen können. „Gegenwärtig sind die Programmierzeiten der Roboter zu lang, um in kleineren Serien wirtschaftlich zu sein“, sagt Abbeel. „Wir untersuchen Möglichkeiten, einen Roboter nur einmal zu programmieren, mit der allgemeinen Fähigkeit, die Montage zu erlernen und dann diese Fähigkeit wiederzuverwenden, um sie bei einer Vielzahl von Montageproblemen einzusetzen.“ Das Team arbeitet an der nächsten Generation einer vielversprechenden Technologie namens Deep Reinforcement Learning (DRL). Sie ermöglicht es dem Roboter, mit seiner Umgebung zu interagieren und sich nach mehreren Iterationen die notwendigen Fertigkeiten zu erarbeiten. Diese Methoden haben vielversprechende Ergebnisse in der Simulation gezeigt und in der Robotik-Forschung für große Begeisterung gesorgt. Allerdings ist ihr Erfolg bei der Bewältigung von Problemen in der realen Welt viel geringer. Für eine einfache Aufgabe, die jeder Dreijährige in Sekunden erledigen könnte, etwa einen Metallzylinder in einen Metallring einzusetzen, können aktuelle DRL-Algorithmen in suboptimalen Lösungen stecken bleiben, wo der Stift an das Loch stößt, oder sie benötigen zu viele Versuche. „Mit DRL können Roboter von selbst lernen, aber sie erhalten kein Lehrbuch oder Material, das ihnen beim Lernen hilft“, sagt Juan Aparicio Ojea, Leiter der Siemens-Forschungsgruppe für fortschrittliche Fertigungsautomation in Berkeley.

Roboter liest CAD-Daten

“Hier helfen CAD-Konstruktionsdateien weiter. Sie enthalten Informationen über Geometrie, Endmontagepositionen, Toleranzen und sind somit das perfekte Buch für Roboter, um schneller zu lernen“, sagt Aparicio Ojea. Der Ansatz seines Teams hat sich im Vergleich zu den modernsten Methoden zur Verfolgung des Bewegungsplans des Roboters deutlich verbessert. Er kann Montageaufgaben, die eine hohe Präzision erfordern, auch ohne genaue Zustandsabschätzung in Sekunden statt in Stunden lösen. Wird das Teil ein paar Zentimeter zur Seite bewegt oder sieht es etwas anders aus, dauert es nur wenige Sekunden, bis ein intelligenter Roboter herausfindet, dass er seinen Greifer jetzt etwas weiter bewegen muss, um seine Aufgabe zu erfüllen.

„Dieses Verfahren ähnelt dem menschlichen Verhalten. Wann immer wir eine Abweichung von den Erwartungen feststellen, passen wir uns mit unserer sensorisch-motorischen Steuerung an“, sagt Eugen Solowjow, ein Forscher im Team von Juan Aparicio Ojea. „Menschen haben ein starkes, intuitives Verständnis für die Physik von Objekten um uns herum. Wir möchten Roboter mit einem ähnlichen Verständnis ausstatten“, ergänzt Aviv Tamar, Forscher an der University of California.