Smart Robotics

Roboter kommen seit über 50 Jahren in der Industrie zum Einsatz. Unter einem Industrieroboter versteht man eine programmierbare Maschine die zur Bearbeitung oder Montage von Werkstücken eingesetzt wird. Bei einem Smart Robot handelt es sich um ein KI-basiertes System welches in der Lage ist von seiner Umgebung und basierend auf Erfahrungen zu lernen um selbständig Handlungen vornehmen zu können.

Beispiele für den Einsatz von KI im Robotik-Bereich sind die simultane Positionsbestimmung und Kartenerstellung wie auch das autonome Lernen von Roboteranweisungen. Anstelle der herkömmlichen Programmierung von Robotersteuerungen (z.B. mittels der in IEC 61131-3 definierten Programmiersprachen) werden Roboteranweisungen anhand eines digitalen Zwillings und Reinforcement Learning gelernt. Bei der simultanen Positionsbestimmung und Kartenerstellung geht es darum, dass ein Roboter in einem ihm unbekannten Raum autonom agieren kann. Mittels KI-basierter Methoden muss der Roboter erst eine Umgebungskarte erstellen und lernen sich selbstständig fortzubewegen.

Beispiele

Problemstellung Das Paradigma der Industrie 4.0 verfolgt nach Hermann et al. (2015) folgende vier Aspekte: (i) Informationstransparenz, etwa für Datenanalyse, (ii) Vernetzung in Hinblick auf Kollaboration und Security, (iii) technische Assistenz in virtueller und physischer Hinsicht und (iv) dezentrale Entscheidungsmechanismen. Während viele dieser Aspekte auf Methoden der KI beruhen, benötigt man hierfür einen geeigneten architekturellen Unterbau für verteilte Systeme. Die diesbezügliche Architekturreferenz RAMI 4.0 betont eine Abkehr von der starren Automatisierungspyramide hin zu dezentralen, service-orientierten Paradigmen, die auch eine geographisch ausgedehnte Verteilung ermöglichen. Zielsetzung / Herangehensweise / Lösung RAMI 4.0 empfiehlt OPC UA für die Konnektivität, welches vertikale Integration und Informationsdurchlässigkeit ermöglichen soll. Im Rahmen dieses Projektes untersuchten wir unterschiedliche Aspekte für die Eignung von OPC UA anhand eines demonstrativen Beispiels einer geographisch verteilten industriellen Anwendung:
  • OPC UA als Kommunikationsprotokoll über mehrere Produktionsstandorte
  • OPC UA als Modellierungstechnologie für Informationsmodellierung und Modellierung von Semantik
  • OPC UA als Modellierungstechnologie für eine service-orientierte Softwarearchitektur
  • OPC UA als Middleware verteilter Systeme mit unterschiedlichen Modalitäten der Kommunikation, wie Datenzugriff, RPC und Message Passing (publish-subscribe)
Nutzen Mittels OPC UA können abstrakte Informationsmodelle erstellt werden, die durch ihre semantische Beschreibung Interoperabilität begünstigen. Das daraus entstehende, maschinenunabhängige Interface kann nun für eine einheitliche Kommunikation zwischen Maschinen, Menschen und Sensoren verwendet werden. OPC UA verfolgt durch semantische Modellierung die Idee, dass Daten ohne Vorwissen durch generische Clients interpretierbar sind und verfolgt damit ähnliche Ideen wie REST. Dies soll für unser Beispiel die Integration von verschiedenen Stakeholdern – etwa auf die Lieferkette oder mehrere Produktionsstandorte ausgedehnt – erleichtern. Durch das Informationsmodell können erwartete und unerwartete Ausfallzeiten reduziert werden, indem Fertigungsprozesse an anderen Standorten – die das gleiche Informationsmodell realisieren – ausgelagert werden.

Video: Demonstrator für Robotik und Digitale Zwillinge

Dieser Anwendungsfall repräsentiert ein Neuronales Netzwerk, welches anhand von nur wenigen Daten eine hohe Treffergenauigkeit erreicht – für einige Klassen sind nur wenige Bilddaten vorhanden. Zum Trainieren benötigen moderne Deep Learning Ansätze eine Vielzahl an Daten, welche in der Realität nicht immer gegeben sind. Unser Model kombiniert Bilddaten mit verschiedenen Wissensgraph-Embeddings, um dem Deep Learning Model genügend Informationen für das Training zu überreichen. Somit kann man anhand von nur wenigen Trainingsdaten eine hohe Treffsicherheit erreichen. Die zusätzlichen semantischen Informationen wurden anhand eines ImageNet-Embeddings und auf der Grundlage von Wikidata hinzugefügt.

Nutzen

Der Anwendungsfall eignet sich für Unternehmen, welche Interesse an der Bildklassifizierung haben, jedoch nur über eine limitierte Anzahl an Bilddaten verfügen.

kontakt

Dr. Volkmar Wieser

  • Softwarepark 32a, A-4232 Hagenberg
  • +43 50 343 844
  • Volkmar.Wieser@scch.at

Das Projekt AB292 wird im Rahmen von Interreg Österreich-Bayern 2014-2020 gefördert.

rechtliches