KIT: Maschinelles Lernen: Schlaue Kommissionierroboter greifen gemeinsam besser

Autonome, flexibel einsetzbare Roboter gelten als Schlüsseltechnologie für
Industrie und Logistik 4.0. Das Problem: Um mit Künstlicher Intelligenz
(KI) gesteuerte Roboter zu trainieren, sind sehr große Datenmengen nötig,
über die aber nur die wenigsten Unternehmen verfügen. Die Lösung: Roboter
unterschiedlicher Unternehmen an verschiedenen Standorten lernen
voneinander. Forschende des Karlsruher Instituts für Technologie (KIT)
haben mit Partnern Möglichkeiten des gemeinsamen Lernens entwickelt, ohne
dass sensible Daten und Betriebsgeheimnisse geteilt werden müssen.

„Bei herkömmlichen maschinellen Lernmethoden werden alle Daten gesammelt
und die KI auf einem zentralen Server trainiert“, sagt Maximilian Gilles
vom Institut für Fördertechnik und Logistiksysteme (IFL) am KIT. Durch
gemeinsames, aber örtlich getrenntes Lernen, auch Federated Learning
genannt, lassen sich Trainingsdaten von mehreren Stationen, aus mehreren
Werken oder sogar mehreren Unternehmen nutzen, ohne dass Beteiligte
sensible Unternehmensdaten herausgeben müssen. „Damit konnten wir jetzt
autonome Greifroboter in der Logistik so trainieren, dass sie in der Lage
sind, auch solche Artikel zuverlässig zu greifen, die sie vorher noch
nicht gesehen haben“, so Gilles. Aufgrund der Vielfalt der Gegenstände in
einem Industrielager sei das eine sehr anspruchsvolle Aufgabe.

Training ohne zentrales Datensammeln

Für das Training gab es im 2021 gestarteten Projekt FLAIROP, das jetzt
abgeschlossen ist, keinen Austausch von Daten wie Bildern oder
Greifpunkten, sondern es wurden lediglich die lokalen Parameter der
neuronalen Netze, also stark abstrahiertes Wissen, zu einem zentralen
Server übertragen. Dort wurden die Gewichte von allen Stationen gesammelt
und mithilfe verschiedener Algorithmen zusammengeführt. Dann wurde die
verbesserte Version zurück auf die Stationen vor Ort gespielt und auf den
lokalen Daten weiter trainiert. Dieser Prozess wurde mehrfach wiederholt.
„Unsere Ergebnisse zeigen, dass mit Federated Learning kollaborativ
robuste KI-Lösungen für den Einsatz in der Logistik erzeugt werden können,
ohne dabei sensible Daten zu teilen“, sagt Sascha Rank vom Institut für
Angewandte Informatik und Formale Beschreibungsmethoden (AIFB) des KIT,
das ebenfalls Partner in FLAIROP war.

Zukünftig wollen die Forschenden ihr Federated-Learning-System so
weiterentwickeln, dass es als Plattform unterschiedlichen Unternehmen
ermöglicht, Robotersysteme gemeinsam zu trainieren, ohne untereinander
Daten teilen zu müssen. Für die weitere Forschung suchen Maximilian Gilles
und sein Team Partner aus Industrie und Forschung.

Für das Training der Roboter wurden insgesamt fünf autonome
Kommissionierstationen aufgebaut: zwei am IFL sowie drei bei der Firma
Festo SE mit Sitz in Esslingen am Neckar. „Wir freuen uns, dass es uns
gelungen ist zu zeigen, dass Roboter voneinander lernen können, ohne
sensible Daten und Betriebsgeheimnisse zu teilen. Dadurch schützen wir die
Daten unserer Kundinnen und Kunden und wir gewinnen zudem an
Geschwindigkeit, weil die Roboter auf diese Weise viele Aufgaben schneller
übernehmen können. So können die kollaborativen Roboter zum Beispiel
Produktionsmitarbeitende bei sich wiederholenden, schweren und ermüdenden
Aufgaben unterstützen“, sagt Dr. Jan Seyler, Leiter Advanced Development
Analytics and Control bei Festo.

Das Forschungsprojekt FLAIROP

Das Projekt FLAIROP (steht für: Federated Learning for Robot Picking) war
eine Partnerschaft zwischen kanadischen und deutschen Organisationen und
Firmen. Die kanadischen Projektpartner konzentrierten sich auf
Objekterkennung durch Deep Learning, Explainable AI und Optimierung,
während die deutschen Partner ihre Expertise in der Robotik, beim
autonomen Greifen durch Deep Learning und in der Datensicherheit
einbrachten.

KIT-IFL: Entwicklung Algorithmus Greifpunktbestimmung, Entwicklung
automatische Lerndatengenerierung

KIT-AIFB: Entwicklung Federated Learning Framework

Festo SE und Co. KG: Konsortialführung, Entwicklung
Kommissionierstationen, Pilotierung

University of Waterloo (Kanada): Entwicklung Algorithmus Objekterkennung

Darwin AI (Kanada): Lokale und Globale Netzwerkoptimierung

FLAIROP wurde vom kanadischen National Research Council (NRC) und dem
deutschen Bundesministerium für Wirtschaft und Klimaschutz (BMWK)
gefördert. Ans KIT gingen dabei rund 750 000 Euro. (mex)

Als „Die Forschungsuniversität in der Helmholtz-Gemeinschaft“ schafft und
vermittelt das KIT Wissen für Gesellschaft und Umwelt. Ziel ist es, zu den
globalen Herausforderungen maßgebliche Beiträge in den Feldern Energie,
Mobilität und Information zu leisten. Dazu arbeiten rund 9 800
Mitarbeiterinnen und Mitarbeiter auf einer breiten disziplinären Basis in
Natur-, Ingenieur-, Wirtschafts- sowie Geistes- und Sozialwissenschaften
zusammen. Seine 22 300 Studierenden bereitet das KIT durch ein
forschungsorientiertes universitäres Studium auf verantwortungsvolle
Aufgaben in Gesellschaft, Wirtschaft und Wissenschaft vor. Die
Innovationstätigkeit am KIT schlägt die Brücke zwischen Erkenntnis und
Anwendung zum gesellschaftlichen Nutzen, wirtschaftlichen Wohlstand und
Erhalt unserer natürlichen Lebensgrundlagen. Das KIT ist eine der
deutschen Exzellenzuniversitäten.