Motivation
Stark fallende Hardware-Preise machen den Einsatz mehrachsiger Industrie-Roboter zunehmend auch außerhalb der Massenproduktion attraktiv. Sehr preiswerte Systeme erreichen allerdings für viele Anwendungen nicht die notwendige Genauigkeit. Mechanisch hochwertige Systeme müssen zeitaufwendig beim Hersteller in regelmäßigen Abständen nachkalibriert werden und erfordern lange Aufwärmzeiten bis die Temperaturen erreicht werden, in denen die Kalibrierung gültig wird. Die aktuell genutzten Kalibrier-Methoden und Algorithmen können ausschließlich sogenannte parametrische, d.h. geometrische, Fehler korrigieren. Nichtlineare, z.B. temperatur- oder lastabhängige, Effekte können derzeit nicht behandelt werden. Auch eine Nachkalibrierung im laufenden Betrieb durch Facharbeiter, unter Berücksichtigung ihres Prozesswissens, ist derzeit nicht möglich, was einem nachhaltigem Lern- und Optimierungsprozess entgegensteht.
Ziele und Vorgehen
Das Projekt KIRK verfolgt daher das Ziel, mit den Möglichkeiten des Maschinellen Lernens neue Kalibrier-Methoden zu entwickeln, die flexibler in der Anwendung sind, zu höheren Genauigkeiten führen und damit die Einsatzmöglichkeiten der Industrie-Roboter erweitern. Im Fokus stehen dabei sogenannte tiefe neuronale Netze (Deep Learning), sowie Techniken der Domain Randomization und Domain Adaption. Bei der Domain Randomization werden eine Vielzahl physikalischer und kinematischer Größen wie z.B. Massen, Trägheit, Lichtverhältnisse des Roboters sowie der Umgebung variiert. Bei der Domain Adaptation wird der Unterschied in der Datenverteilung bei der Lösung derselben Aufgabe in verschiedenen Umgebungen berücksichtigt. Der direkte Nutzen der neu erarbeiteten Methoden wird für drei typische industrielle Anwendungsfälle gezeigt: Berücksichtigung von Effekten in der Aufwärmphase, Verschiebungen von Pivotpunkten/Achslagen durch Abnutzung und Verbesserung der Genauigkeit besonders preisgünstiger Roboter anhand von Demonstratoren.
Innovationen und Perspektiven
Der Lehrstuhl für Kognitive Produktionssysteme an der Universität Stuttgart übernimmt im Projekt die Forschung zu neuen Methoden des Maschinellen Lernens. Das Robot- and Human-Motion-Lab (RaHMLab) der DHBW Karlsruhe führt Bewegungsanalysen durch, charakterisiert Fehler und entwickelt spezifische Messtechnik, um die benötigten Lerndaten zu erzeugen. Gemeinsam mit dem Industriepartner ArtiMinds werden anschließend die Grundlagenmethoden auf reale industrielle Anwendungsfälle übertragen. Neben der unmittelbaren wissenschaftlichen Verwertung der Ergebnisse sollen die neu entwickelten Methoden in die Robot Programing Suite (RPS) von ArtiMinds integriert werden und die Entwicklung weiterer neuer Produkte auf Basis des Maschinellen Lernens ermöglichen.