Imitation Learning in der Robotik

Trotz bedeutender Fortschritte in der Automatisierung ist die Programmierung von Robotern für neue oder abgeänderte Aufgaben ein zeit- und kostenaufwändiger Prozess, der eine sorgfältige Programmierung und Kalibrierung für jede Variante erfordert. Eine besonders vielversprechende Methode zur Vereinfachung des Programmieraufwands ist das Imitation Learning, bei dem ein Mensch dem Roboter zeigt, wie eine Aufgabe auszuführen ist, und der Roboter diese Abläufe anschließend selbstständig ausführen kann. Dieser Ansatz bietet gleichzeitig den Vorteil, sich flexibel an die im Demonstrationsprozess beobachteten Varianzen anzupassen, beispielsweise an Variationen in den Bauteilpositionen. Dadurch lassen sich nicht mehr starre Automatisierungsstationen, sondern anpassungsfähige, menschzentrierte Arbeitsumgebungen realisieren.

Beim Imitation Learning lernt der Roboter, Aufgaben auf Basis menschlicher Demonstrationen selbstständig auszuführen. Der erste Schritt ist die Datenaufnahme, wobei der zu lernende Prozess mittels Teleoperation des Roboters oder eines "Freedrive-Modus" (ein Betriebszustand, in dem der Roboter per Hand geführt werden kann) mehrfach demonstriert wird. Soll der Roboter später mit Varianzen im Prozess, wie verschiedenen Bauteilen oder Ausgangspositionen, umgehen können, müssen diese in den Demonstrationen vorkommen, so wird die Ausführung am Ende robuster. Für die Demonstrationen sind keine Roboterprogrammierkenntnisse notwendig, wichtiger ist, dass die Personen mit dem zu automatisierenden Prozess vertraut sind.

Während der Demonstrationen werden automatisiert Daten zum Roboterzustand (zum Beispiel Roboterposition, einwirkende Kräfte) und Kamerabilder aufgenommen. Diese Datensätze werden dann zum Training eines KI-Modells genutzt, hier lernt der Roboter, die beobachteten Bewegungen nachzubilden. Auch das Training kann so weit automatisiert werden, dass zum Anlernen neuer Baugruppen kein Robotik- oder KI-Expertenwissen benötigt wird. Nach Abschluss des Trainings folgt die Ausführungsphase, wobei der Roboter den gelernten Prozess anhand von Live-Bilddaten eigenständig ausführt und produktiv genutzt werden kann.

Anwendungsbeispiel automatisierte Kabelmontage

Das Fraunhofer-Institut für Produktionsanlagen und Konstruktionstechnik (IPK) arbeitet im Bereich Automatisierungstechnik an der Weiterentwicklung von Imitation Learning in der Robotik und ist Partner zur Übertragung neuster Forschungsergebnisse in die Industrie. Im Rahmen des Forschungsprojekts "Converging" wurde Imitation Learning für das automatisierte Stecken von Kabelverbindungen (Flachsteckhülsen) mit einem kollaborativen Roboter in der Elektromontage integriert und evaluiert. Im Fokus der Untersuchungen stand die Robustheit des Ansatzes gegenüber Prozessvarianzen, wie veränderten Bauteil- und Roboterstartpositionen. Dabei wurde auch untersucht, wie viele Demonstrationen für eine zuverlässige Ausführung erforderlich sind. Es ließ sich zeigen, dass bei fixen Bauteilpositionen und geringen Varianzen bis zu 2 cm in der Roboterstartposition bereits zehn Demonstrationen ausreichen, um die Kabelsteckaufgabe anzulernen und zuverlässig auszuführen: die Erfolgsrate über zehn Ausführungen erreichte 100 %.