Sicherlich gibt es Rollen, die Roboter effektiver ausführen können als Menschen, dazu zählen sich wiederholende, monotone Aufgaben, das Handhaben von schweren Lasten oder Aufgaben in für Menschen gefährlichen Umgebungen. Im Moment machen Roboter nur das, wozu sie programmiert wurden. Die Fähigkeit, zu denken und in Echtzeit situative Entscheidungen zu treffen, ist dem Menschen vorbehalten. Künstliche Intelligenz hat noch einen weiten Weg vor sich, bevor sie dies annähernd replizieren kann.

Das Aufkommen von kollaborativen Robotern, sogenannten Cobots, die mit Menschen in einem gemeinsamen Raum interagieren oder in unmittelbarer Nähe sicher arbeiten sollen, ist ein wichtiger Schritt in die Richtung Mensch-Roboter-Zusammenarbeit. Cobots stehen in Gegensatz zu traditionellen Industrierobotern, die autonom arbeiten und deren Sicherheit durch die Isolation vom menschlichen Kontakt gewährleistet wird. Mittlerweile beginnen Fertigungsbetriebe, Prozesse neu zu überdenken, um Menschen und Roboter gemeinsam effizienter zu nutzen.

Cobots benötigen eine viel engere Kontrolle für die Echtzeit-Umsetzung von komplexen Entscheidungen in Co-Working-Umgebungen. Künstliche Intelligenz kann hier helfen.

Schnelle Entscheidung an der Edge

Die komplexen Entscheidungen müssen aber vom Roboter als Edge-Gerät getroffen werden. Als Edge-Komponente kann er die benötigte Geschwindigkeit und Latenz erreichen, um die zunehmende Datenmenge von IoT-Sensoren abzuarbeiten.

Dazu muss jedoch geklärt werden, was ‚Edge‘ bedeutet. Ein Edge-Gerät ist eine Komponente, welche mehrere Datenströme analysiert und auf dieser Datenbasis Entscheidungen trifft. Es kann also ein Server-Blade sein, in dem mehrere Informationsströme zusammenlaufen, ein einfaches Gateway oder aber es ist ein Roboter.

Taucht man tiefer in die Architektur dieser Roboter ein, so basieren diese Produkte auf Multicore-Prozessoren. In einer Reihe von Fällen sind die Verarbeitungsfunktionen denen eines Smartphones sehr ähnlich. Einer der Hauptunterschiede bei Robotern besteht darin, dass sie ihre Funktionen in einer sehr vorhersehbaren, kurzen Zeit ausführen müssen. Befinden sich Roboter in der Nähe von Menschen und/oder sehr teuren Materialien, muss der Roboter innerhalb von 100 bis 200 µs auf ein Ereignis reagieren. Dies ist relativ einfach zu realisieren, sollte dies die einzige Aufgabe für den Prozessor sein.

Echtzeit-Systeme in der Industrie basieren meist auf einem Single-Core-Prozessor (SCP). Für die Entwicklung solcher Systeme hat die Industrie einen Prozess eingeführt, der auf der Annahme der konstanten maximalen Laufzeit (Worst Case Execution Time, WCET) basiert. Diese besagt, dass die gemessene maximale Laufzeit einer Software-Task – sollte diese allein auf einem einzelnen Kern ausgeführt werden–, gleich bleibt, wenn diese Task zusammen mit anderen Tasks ausgeführt wird.

Anforderungen an gemischt-kritische Systeme

Systemarchitektur für den sicheren Einsatz von Anwendungen mit gemischter Kritikalität in einem verteilten missionskritischen Edge-Kontext.

© Lynx

Da die Industrie zu sogenannten ‚Mixed Criticality‘-Systemen übergeht – solche, die Echtzeit-Tasks in Verbindung mit weniger zeitkritischen Anwendungen ausführen –, ist die Annahme einer konstanten WCET für Single-Core-Chips korrekt. Für aktuelle Multicore-Prozessoren trifft sie aufgrund von Interferenzen zwischen den Cores beim Zugriff auf gemeinsame Ressourcen nicht zu. Ohne auf tiefe Hardware-Details einzugehen, weisen aktuelle Multicore-Prozessoren nicht-deterministische Speicherzugriffsverzögerungen auf, wenn sie um gemeinsam genutzte Ressourcen konkurrieren. Störungen können sowohl durch Konkurrenz auf Hardware- als auch auf Software-Ebene verursacht werden. Dieser Beitrag konzentriert sich auf die Auswirkungen von Hardware-Interferenzen und der sogenannten Interferenzkanäle, die sich in verschiedenen Aspekten von Multicore-Architekturen manifestieren.

Das Problem der Multicore-Interferenzkanäle ergibt sich typischerweise durch eine Mischung aus:

• Time separation – Eine zeitliche Trennung unterstützt durch einen Scheduling-Algorithmus, der Cores über nicht überlappende Zeitintervalle aktivieren kann, oder durch Bandbreiten-Partitionierung für den Zugriff auf gemeinsam genutzte Speicherressourcen.
• Space separation – Räumliche Aufteilung gemeinsam genutzter Ressourcen auf den Cores, um Konflikte um gemeinsam genutzte Ressourcen zu vermeiden oder zu reduzieren.

Eine weitere Anforderung für diese gemischt-kritischen Systeme ist die Virtualisierung. Bei der Hardware-Virtualisierung wird eine Software-Umgebung geschaffen, die die zugrundeliegenden Hardware-Fähigkeiten widerspiegelt, damit Betriebssysteme selbst in einer anderen Hardware-Umgebung als der ursprünglichen laufen können. Die Software-Programme, die solche Fähigkeiten bereitstellen, sind Hypervisoren. Ein Hypervisor abstrahiert die Fähigkeiten der Hardware und ermöglicht die Ausführung mehrerer, potenziell heterogener Betriebssysteminstanzen auf einer einzigen Hardware-Plattform.

Es gibt zwei Haupttypen von Hypervisoren:

• Typ 1 (Bare Metal) – Der ‚Typ 1‘-Hypervisor läuft direkt auf der Hardware und hat die vollständige Kontrolle über die Plattform.
• Typ 2 (gehostet) – Der ‚Typ 2‘-Hypervisor läuft auf einem Host-Betriebssystem und ist für die Steuerung der Hardware vom Host-Betriebssystem abhängig.

Sicherheitsfunktionen auslagern

Für eine hohe Zuverlässigkeit eines Robotersystems muss darauf geachtet werden, verschiedene Systeme voneinander zu isolieren, damit eine Anwendung nicht versehentlich oder absichtlich den Ausfall anderer Systemteile verursachen kann. Effektiv wird für jedes Betriebssystem, das gerade ausgeführt wird, ein isolierter Kontext erstellt. Die zunehmende Zahl von Cyber-Attacken hat gezeigt: Kann ein Wurm auf ein herkömmliches Betriebssystem zugreifen, so erhält er auch Zugriff auf die ‚Kronjuwelen‘ des Systems. Daher ist der Ansatz von Lynx, die Sicherheitsrichtlinien und Hardware-Berechtigungen in eine separate virtuelle Maschine auszulagern.

Ein Beispiel: Ein Hypervisor weist verantwortlich zu, auf welche Hardware eine bestimmte virtuelle Maschine zugreifen kann. Die Hardware, welche für die Internet-Konnektivität sorgt, kann deswegen keinen Zugriff auf die Netzwerk-Schnittstelle erhalten, die Zugang zu unternehmenskritischen Maschinen ermöglicht. Sobald diese Konfigurationen definiert sind, müssen sie unveränderbar sein. Es darf keinen Root-Zugriff im System geben, um Dinge zu verändern. In ähnlicher Weise werden andere Systemgeheimnisse so 
partitioniert, dass nur vertrauenswürdige Anwendungen auf sie zugreifen können. Einige Anwender erstellen Bare-Metal-Anwendungen, um diese Funktionen auszuführen, wobei sie Speicher verwenden, der für andere Anwendungen unzugänglich ist.
 

Mehr Sinne für Roboter

Ian Ferguson ist Vice President Strategic Alliances und Marketing bei Lynx Software Technologies.

© Lynx

Ein Weg, wie sich Roboter weiterentwickeln werden, ist die Integration von Sensoren in Industrieroboter. Heute nutzen die Roboter meist nur Vision-Systeme. Gestenerkennung wird zum Teil schon eingesetzt. Bald werden Roboter aber auch andere Sinne nutzen. So werden Roboter in der Lage sein, auf Sprachbefehle zu reagieren und Geräusche zu erkennen, die auf Fehlfunktionen in der Produktionsanlage hinweisen. Denkbar wäre auch, dass sie durch Berührung bestätigen, ob ein bestimmtes Produkt glatt genug ist. Mit Hilfe spezieller Sensorik könnten sie die Mischungen bestimmter Verbindungen ‚geschmacklich‘ testen. Künstliche Intelligenz wird dabei helfen: In Zukunft werden sich die Fähigkeiten der Roboter verbessern, je mehr sie in eine Fabrikumgebung eingebunden werden. Sie werden lernen, Szenarien zu erkennen und darauf zu reagieren.

Viele geplante Cobot-Installationen der nächsten Generation haben eine Verbindung zu einer öffentlichen oder privaten Cloud. Systeme, die sich nur mit lokalen Rechenressourcen verbinden, erhöhen zwar einerseits die Sicherheit, erschweren aber die selbstlernenden Prozesse der KI. Die richtige Balance ist eine Kombination aus lokalem Lernen in Verbindung mit der Nutzung der Skalenleistung, die durch das in der Cloud akkumulierte, aggregierte Lernen erreicht wird.