Motivation
Moderne Roboter können mittlerweile ohne Schutzzäune gemeinsam mit Menschen in der Logistik oder Produktion zusammenarbeiten. Dabei folgt die Mensch-Roboter-Kollaboration (MRK) strengen Normen und Regeln, um stets die Sicherheit des Menschen zu gewährleisten. Dies führt dazu, dass MRK-Systeme meist mit niedrigen, reduzierten Geschwindigkeiten arbeiten oder gar stoppen, wenn sich ein Mensch dem Roboter nähert.
Ziele und Vorgehen
Ziel dieses Vorhabens ist die Entwicklung einer Vorhersage, wie sich der Mensch im Arbeitsraum bewegt. Hierzu wird der gemeinsame Arbeitsraum in eine Blockdarstellung (Voxeldarstellung) überführt, die es ermöglicht, Hindernisse als Volumen darzustellen. Menschliche Posen werden mittels Autoencoder (künstliche, neuronale Netze) so vorverarbeitet, dass diese im System effizient gespeichert werden können. Ein zweiter Autoencoder wird anhand von öffentlichen Bewegungs-Datenbanken trainiert und erlaubt so die Prädiktion von Einzelbewegungen des Menschen. Im letzten Schritt kann ein rückgekoppeltes Neuronales Netz, das mittels Long short-term memory (LSTM) mit nur wenigen, aufgabenspezifischen Daten trainiert wurde, dennoch komplexe Handlungen vorhersagen. Durch die Kombination der drei tiefen Neuronalen Netze (CNN, DNN und RNN) mit den generischen sowie aufgabenspezifischen Trainingsdaten, ergibt sich eine hohe Generalisierbarkeit und gleichzeitig eine Spezialisierung für eine konkrete Anwendung. Die Verknüpfung der entwickelten KI-basierten Vorhersage von Handlungen im Voxelraum mit einem dynamischen Ablaufplan an Aufgaben ermöglicht so eine effizientere Gestaltung von MRK-Systemen. Durch verkürzte Stoppzeiten können die Systeme somit effektiver und wirtschaftlicher eingesetzt werden. Die Bewegungsvorhersage wird in zwei Demonstratoren unterschiedlicher Anwendungen evaluiert. Zum einen in einer mobilen MRK-Zelle für industrielle Anwendungen in einem Logistik-Szenario und zum anderen mit einem humanoiden Roboter in einem Servicerobotik-Szenario.
Innovationen und Perspektiven
Durch die Umsetzung als serienmäßige Lösung („KI-in-the-Box“) wird die Transferhürde in die Anwendung deutlich reduziert. Als Add-On Lösung sind die KI-Methoden schnell einsetzbar und gleichzeitig gekapselt, was die Nachvollziehbarkeit und das Vertrauen in die Lösungen nachhaltig steigert. Die „KI-in-the-Box“-Lösung ermöglicht einen einfachen Zugang zu KI-Methoden und trägt somit zur Stärkung der Wettbewerbsfähigkeit durch die Nutzung von KI bei.