Hinweis zur Verwendung von Bildmaterial: Die Verwendung von Bildmaterial für die Pressemitteilung ist mit Quellenangabe unentgeltlich gestattet. Die Bilder dürfen nur im Zusammenhang mit dem Inhalt dieser Pressemitteilung verwendet werden. Wenn Sie das Bild in einer höheren Auflösung benötigen oder Fragen zur Weiterverwendung haben, wenden Sie sich bitte direkt an die Pressestelle, die es veröffentlicht hat.

Produktion, Lagerung, Versand – wo immer Waren hergestellt, gelagert, sortiert oder verpackt werden, wird auch kommissioniert. So werden mehrere einzelne Waren aus Lagereinheiten wie Kisten oder Kartons entnommen und wieder zusammengesetzt. Forscher des Karlsruher Instituts für Technologie (KIT) wollen gemeinsam mit Partnern aus Deutschland und Kanada Kommissionierroboter mit verteilten KI-Methoden intelligenter machen. Dazu untersuchen sie, wie Trainingsdaten von mehreren Stationen, von mehreren Werken oder sogar von mehreren Unternehmen genutzt werden können, ohne dass die Beteiligten sensible Unternehmensdaten preisgeben müssen.

Produktion, Lagerung, Versand – wo immer Waren hergestellt, gelagert, sortiert oder verpackt werden, wird auch kommissioniert. So werden mehrere einzelne Waren aus Lagereinheiten wie Kisten oder Kartons entnommen und wieder zusammengesetzt. Forscher des Karlsruher Instituts für Technologie (KIT) wollen gemeinsam mit Partnern aus Deutschland und Kanada Kommissionierroboter mit verteilten KI-Methoden intelligenter machen. Dazu untersuchen sie, wie Trainingsdaten von mehreren Stationen, von mehreren Werken oder sogar von mehreren Unternehmen genutzt werden können, ohne dass die Beteiligten sensible Unternehmensdaten preisgeben müssen.

Diese Pressemitteilung kann mit Foto heruntergeladen werden unter: https://www.kit.edu/kit/pi_2021_064_besser-greifen-mit-intelligenten-kommissionierrobotern.php

„Wir untersuchen, wie sich möglichst vielseitige Trainingsdaten von mehreren Standorten nutzen lassen, um mithilfe von Algorithmen im Bereich der Künstlichen Intelligenz (KI) robustere und effizientere Lösungen zu entwickeln als mit Daten von nur einem Roboter“, sagt Jonathan Auberle vom Institut für Förder- und Logistiksysteme (IFL) des KIT. An mehreren Kommissionierplätzen werden Artikel von autonomen Robotern durch Greifen und Umsetzen weiterverarbeitet. An den verschiedenen Stationen werden die Roboter mit ganz unterschiedlichen Gegenständen trainiert. Am Ende des Tages sollen sie auf Artikel von anderen Sendern zugreifen können, die sie noch nicht kennengelernt haben. „Mit dem Ansatz des verteilten Lernens, auch Federated Learning genannt, schaffen wir den Spagat zwischen Datenvielfalt und Datensicherheit im industriellen Umfeld“, sagt der Experte.

Leistungsstarke Algorithmen für Industrie und Logistik 4.0

„Federated Learning wird bisher vor allem im medizinischen Bereich zur Bildanalyse eingesetzt, wo der Schutz von Patientendaten natürlich besonders wichtig ist“, erklärt Auberle. Somit findet kein Austausch von Trainingsdaten wie Bildern oder Greifpunkten zum Training des künstlichen neuronalen Netzes statt, sondern es werden lediglich die lokalen Gewichte des neuronalen Netzes, dh Teile des gespeicherten Wissens, an einen zentralen Server übermittelt. „Dort werden die Gewichte aller Stationen gesammelt und anhand verschiedener Kriterien optimiert. Die verbesserte Version wird dann auf den lokalen Sendern wiedergegeben und der Vorgang wiederholt. „Ziel ist es, neue, leistungsfähigere Algorithmen für den robusten Einsatz von Künstlicher Intelligenz für Industrie und Logistik 4.0 datenschutzkonform zu entwickeln.

Während des Projekts werden insgesamt vier autonome Kommissionierplätze für das Training der Roboter aufgebaut: zwei am Institut für Fördertechnik und Logistiksysteme des KIT und zwei bei der Festo SE mit Sitz in Esslingen am Neckar. Weitere Partner sind das Institut für Angewandte Informatik und Formale Beschreibungsverfahren (AIFB) des KIT, Darwin AI und die University of Waterloo.

„Im Forschungsprojekt FLAIROP entwickeln wir neue Wege, wie Roboter voneinander lernen können, ohne sensible Daten und Betriebsgeheimnisse zu teilen. Das hat zwei große Vorteile: Wir schützen die Daten unserer Kunden und gewinnen an Geschwindigkeit, weil die Roboter auf diese Weise viele Aufgaben schneller übernehmen können. Die kollaborativen Roboter können beispielsweise Produktionsmitarbeiter bei sich wiederholenden, schwierigen und ermüdenden Aufgaben unterstützen“, sagt Jan Seyler, Head of Advanced Develop. Analytik und Steuerung bei Festo SE & Co. KG.

„DarwinAI freut sich, unsere Explainable (XAI)-Plattform für das FLAIROP-Projekt zur Verfügung zu stellen und mit renommierten kanadischen und deutschen Forschungsorganisationen sowie unserem Industriepartner Festo zusammenzuarbeiten. Wir hoffen, dass unsere XAI-Technologie hochwertige Human-in-the-Loop-Prozesse für dieses spannende Projekt ermöglicht, das neben unserem neuartigen Ansatz des föderierten Lernens eine wichtige Facette unseres Angebots darstellt. Mit unseren Wurzeln in der akademischen Forschung freuen wir uns über diese Zusammenarbeit und die industriellen Vorteile unseres neuen Ansatzes für ein breites Spektrum von Fertigungskunden“, sagte Sheldon Fernandez, CEO von DarwinAI.

„Die University of Waterloo freut sich, mit dem Karlsruher Institut für Technologie und einem weltweit führenden Unternehmen in der industriellen Automatisierung wie Festo zusammenzuarbeiten, um die nächste Generation vertrauenswürdiger Künstlicher Intelligenz in die Produktion zu bringen. Durch den Einsatz von DarwinAIs Explainable AI (XAI) und Federated Learning können wir KI-Lösungen erstellen, die Fabrikarbeiter bei ihren täglichen Produktionsaufgaben unterstützen, um Effizienz, Produktivität und Sicherheit zu steigern“, sagt Dr. Alexander Wong, Co-Director of Vision and Image Processing Research Group, University of Waterloo und leitender Wissenschaftler bei DarwinAI.

Das Projekt FLAIROP (Federated Learning for Robot Picking) ist eine Partnerschaft zwischen kanadischen und deutschen Organisationen. Die kanadischen Projektpartner konzentrieren sich auf Objekterkennung durch Deep Learning, erklärbare KI und Optimierung, während die deutschen Partner ihre Expertise in Robotik, autonomem Greifen durch Deep Learning und Datensicherheit einbringen.

KIT-IFL: Konsortialführung, Entwicklung Griffbestimmung, Entwicklung automatischer Lerndatengenerierung

KIT-AIFB: Entwicklung eines Federated Learning Framework

Festo SE: Entwicklung von Kommissionierplätzen, Pilotierung in der realen Lagerlogistik

University of Waterloo (Kanada): Entwicklung der Objekterkennung

Darwin AI (Kanada): Lokale und globale Netzwerkoptimierung, automatisierte Generierung von Netzwerkstrukturen

FLAIROP wird vom Canadian National Research Council (NRC) und dem Bundesministerium für Wirtschaft und Energie (BMWi) gefördert.

Kontakt für diese Pressemitteilung:

Dr. Felix Mescoli, Pressesprecher, Tel.: +49 721 608-41171, E-Mail: felix.mescoli@kit.edu

Als „Forschungsuniversität in der Helmholtz-Gemeinschaft“ schafft und vermittelt das KIT Wissen für Gesellschaft und Umwelt. Ziel ist es, wesentliche Beiträge zu globalen Herausforderungen in den Bereichen Energie, Mobilität und Information zu leisten. Dafür arbeiten rund 9.600 Mitarbeiterinnen und Mitarbeiter auf breiter disziplinärer Basis in den Natur-, Ingenieur-, Wirtschafts-, Geistes- und Sozialwissenschaften zusammen. Das KIT bereitet seine 23.300 Studierenden durch ein forschungsorientiertes Hochschulstudium auf verantwortungsvolle Aufgaben in Gesellschaft, Wirtschaft und Wissenschaft vor. Die Innovationstätigkeit am KIT schlägt die Brücke zwischen Wissen und Anwendung für gesellschaftlichen Nutzen, wirtschaftlichen Wohlstand und den Erhalt unserer natürlichen Lebensgrundlagen. Das KIT ist eine der deutschen Exzellenzuniversitäten.

Diese Pressemitteilung ist im Internet abrufbar unter: https://www.kit.edu/kit/presseinformationen.php

https://www.kit.edu/kit/pi_2021_064_besser-greifen-mit-intelligenten-kommissionierrobotern.php

Dies ist eine Pressemitteilung von:

Karlsruher Institut für Technologie