Maschinelles Lernen von Menschenhand

Die Forschungsinfrastruktur befindet sich im ICM-Zukunftslabor HaptXDeep am Institut für Fördertechnik und Logistik Systeme (IFL) des KIT, aufgebaut von Doktorand Edgar Welte und ICM-Juniorprofessorin Rania Rayyes, um ein Robotergreifsystem zu entwickeln, das menschliche Tätigkeiten durch Imitation erlernt. Das Deutschlandweit erste Labor mit dem Komplettsystem der Firma Shadow Robot steht in Karlsruhe, an den Forschungsarbeiten beteiligt sich aber auch das Institut für Automatisierungstechnik und Softwaresysteme (IAS) der Universität Stuttgart. Die Institute entwickeln gemeinsam einen lernenden Roboter mit einem Greifsystem, der schnell und flexibel sowie zuverlässig und sicher auf veränderte Anforderungen, Produktdesigns oder Materiealien reagieren kann. Finanziert hat die 200.000 Euro teure Forschungsinfrastruktur der InnovationsCampus Mobilität der Zukunft (ICM).

Das Programmieren von Robotern für industrielle Tätigkeiten ist bislang ein langwieriger Prozess. Auf das Schreiben des Codes folgt das Testen und darauf das Neuschreiben, so oft, bis die Maschine einen Prozess zuverlässig ausführt. Diese Lernphasen sind zu lang für die Produktionstechnologien der Zukunft, die auf eine schnelle Anpassungsfähigkeit angewiesen sind. »Einen Roboter einsatzbereit zu machen, darf in Zukunft nicht mehr länger dauern, als einen neuen Mitarbeiter einzulernen«, sagt Edgar Welte. Um dieses Ziel zu erreichen, will das Team den Robotern das Lernen von Menschen beibringen. Wie Auszubildende von ihren Meistern lernen, soll ihr Robotergreifsystem künftig von einem Operator lernen, wie sie neue Werkzeuge nutzen, unterschiedliche Materialien anfassen, ganze Arbeitsschritte ausführen oder auf Veränderungen in Produktionsprozessen reagieren. »Wir setzen für unser System autonomes Imitation Learning und Deep Reinforcement Learning ein. Der Roboter lernt die Fähigkeiten durch die Interaktion mit dem Menschen intuitiv und sofort«, erklärt Rania Rayyes. Durch den Ansatz verkürzen sich neben dem ursprüngliche Programmierprozess auch Umrüstzeiten.

Menschliches Lernen ist ein Informationsaustausch. Die Beteiligten sprechen miteinander, interpretieren visuelle Informationen und stellen Rückfragen. Im Zukunftslabor HaptXDeep kommunizieren die Forschenden mit dem Roboter per Daten. Edgar Welte generiert durch seine Bewegungen mit dem HaptX-Glove Daten und erklärt damit dem sechsachsigen Cobot, wie er sich drehen und Werkzeuge oder Werkstücke packen muss. Durch 20 Stellmotoren kann die Shadow Dextorous Hand die menschliche Greifbewegungen fast exakt nachbilden. Die Drucksensoren in den mechanischen Fingern geben dem Operator direktes Feedback. Edgar Welte spürt durch kleine Luftpolster im HaptX-Glove, wenn das Gewicht zunimmt oder das Werkzeug falsch in der Hand liegt. Dann fasst er sofort nach und der Greifer tut es ihm gleich. Der Forscher korrigiert den Fehler des Roboters in Echtzeit. Auch das wird eine wichtige Funktion, wenn die Maschine später gestützt auf ihre Künstliche Intelligenz selbstständig lernen kann. »Durch die unmittelbaren Korrekturen können wir die Fähigkeiten unseres Systems schnell erweitern und ersparen uns Monate an Arbeit für die Neuprogrammierungen«, erklärt Rania Rayyes.

Das Zukunftslabor HaptXDeep

Das Zukunftslabor hat eine Doppelfunktion. Es ist die Hardware für die Erforschung und Entwicklung der Software-gestützten Technologien und gleichzeitig der Demonstrator für deren Funktionsfähigkeit. »Es ist für mich eine einzigartige Gelegenheit, dass ich für meine Forschungsarbeiten mit einem so hochwertigen Labor arbeiten kann«, sagt Edgar Welte. Mit seiner Promotion zum Thema ‚Interactive Imitation Learning for Dexterous Manipulation‘ wird er einen entscheidenden Beitrag zur Entwicklung des Gesamtsystems liefern. Daneben soll es in HaptXDeep noch Projekte zur Sensorik, alternativen Teleoperationsmethoden wie Gestenerkennung über Motion Tracking oder zur Regelung der unterschiedlichen Finger geben.

Dies schließt auch Kooperationen mit Unternehmen wie Bosch AI oder anderen Hochschulinstituten ein. »HaptXDeep soll in der Forschung möglichst viele Türen öffnen«, erklärt Rania Rayyes. Eine davon führt ans IAS der Universität Stuttgart zur Gruppe von Juniorprofessor Andrey Morozov. Im Rahmen von Kooperationsprojekten werden die Forschenden in Stuttgart Methoden entwickeln, um die Sicherheit und die Zuverlässigkeit des anpassungsfähigen Roboters zu gewährleisten. Fehlerinjektion über digitale Zwillinge wird als Testverfahren des Systems zum Einsatz kommen, Deep-Learning-Systeme sollen dem Roboter helfen, Anomalien selbst zu erkennen und damit Fehler vorherzusagen. Diese soll er auf Basis des Erlernten irgendwann auch autonom korrigieren können. Entwickelt wird dieser Teil der Software in Stuttgart und getestet im Reallabor des IFL am KIT.