Eine der Ebenen, auf denen Roboter die Produktion ‚revolutionieren‘, ist die Zusammenarbeit mit Menschen. Dabei geht es nicht nur um das Programmieren, sondern auch darum, Roboter mit Hilfe von Deep Learning die Aktionen des Menschen beobachten und nachahmen zu lassen. Möglich macht dies unter anderem ein von Nvidia entwickeltes, auf der Deep-Learning-Technologie basierendes System namens ‚Nvidia Jetson AGX Xavier‘. Es ist in der Lage, mittels neuronaler Netze aus konkreten physischen Vorgängen ein für Menschen nachvollziehbares Programm abzuleiten und auszuführen. Im Zentrum steht dabei die Abfolge ‚Aktion registrieren, Programm generieren, Programm umsetzen‘. 

Die neuronalen Netze werden ausschließlich aufgrund synthetischer Daten in Simulationsverfahren trainiert. Mit synthetischer Datengenerierung stehen nahezu unbegrenzt vorab gekennzeichnete und klassifizierte Daten zur Verfügung, sodass die entsprechenden Algorithmen problemlos entwickelt werden können. Die entscheidenden Praxis-Tests finden in Gestalt eines Baxter-Roboters statt, der verschiedene Haushaltsgegenstände aufnimmt und an anderer Stelle ablegt. Diese Methode wurde speziell für die Optimierung der Mensch-Maschine-Kommunikation entwickelt – und im weiteren Sinn auch dafür, beide künftig nahtlos zusammenarbeiten lassen zu können. 

Die Live-Instruktion

Dank der neuen Methode von Nvidia lernen Roboter, Seite an Seite mit Menschen zu arbeiten.

© Nvidia

Das System beantwortet die Frage, wie der Mensch einen Roboter instruieren kann. Die dafür nötige Verständigung braucht zwei Komponenten: das Ziel der Instruktion sowie Hinweise darauf, wie es am besten zu erreichen ist. Wirkungsvoll ist hier die ‚Live-Demonstration‘, da der Instruktor sowohl das Ziel definieren als auch geeignete Wege dorthin aufzeigen kann. In der Regel genügt bereits eine einzige Demonstration, um den Roboter zu instruieren. 

Eine weitere Herausforderung besteht darin, den Roboter zu befähigen, mit externen oder technischen Unsicherheiten, Änderungen und Störungen umzugehen. Gewöhnlich arbeiten Produktionsroboter nach dem Open-Loop-Prinzip, das heißt, sie sind auf die zuverlässige Wiederholung aller Vorgänge und ein stabiles Umfeld angewiesen. Hin und wieder kommt es aber zu Irritationen, auf die der Roboter adäquat reagieren muss – und sei es nur ein Objekt, das er greifen möchte, das aber wenige Zentimeter vom angestammten Platz entfernt liegt. 

Das System von Nvidia (re)agiert in solchen Fällen, indem es seine Umgebung kontinuierlich beobachtet und insbesondere auf Veränderungen achtet, die von der Kamera erfasst werden. Mit Hilfe eines tiefen neuronalen Netzes (DNN) lassen sich alle Objekte in Echtzeit nach Position und Verhalten klassifizieren und beurteilen. So werden Veränderungen registriert und in das Verhalten des Roboters einbezogen. 

Das Potenzial von DNNs

Hinter ‚Deep Learning‘ steht die Wissenschaft vom Training großer neuronaler Netze, die hunderte Millionen an Parametern enthalten können und damit in der Lage sind, auch komplexe Funktionen wie nichtlineare Dynamiken abzubilden. Die DNNs bilden Status-Darstellungen von maßgenauen, multimodalen Sensor-Rohdaten, wie sie üblicherweise in Robotik-Systemen vorkommen. Anders als andere Machine-Learning-Methoden benötigen sie keine Menschen für die händische Entwicklung von Feature-Vektoren sensorgenerierter Daten während des Designprozesses. 

Der nächste Schritt im Hinblick auf den Einsatz von KI sind autonom agierende Maschinen. Die Robotik-Plattform ‚Nvidia Isaac‘ soll der Verbreitung solcher Lösungen in vielen Branchen weiteren Schub geben. Das ‚Isaac SDK‘ unterstützt Entwickler bei der Konstruktion von Robotern – unter anderem durch Bibliotheken, Frameworks und Tools, die das gesamte Funktionsspektrum eines Roboters abdecken. ‚Isaac Gems‘ sind eine Sammlung von Robotik-Algorithmen für die Registrierung, Navigation, Steuerung und Kontrolle, die als schlüsselfertige Anwendungen kompatibel sind mit ‚Isaac SDK‘ und ‚Isaac Sim‘. Mit ‚Isaac Sim‘ können Entwickler ihre Robotik-Software trainieren und testen und dabei auf realistische, simulierte Umgebungen zurückgreifen. Wiederholungen und Testläufe lassen sich in Minutenschnelle initiieren.

Autor:
Eddie Seymour ist Director Embedded Business bei Nvidia in München.