Suchen

Künstliche Intelligenz in der Robotik

Wie sich der Lerneifer von Robotern entwickelt

| Autor: Karin Pfeiffer

Das Thema künstliche Intelligenz (KI) und Robotik ohne visionäre Schnörkel? Funktioniert, wenn man maschinelle Lernverfahren und flexible Algorithmen als Werkzeugkasten für industrielle Anwendungsfelder begreift. Die KI-Forscher Dr. Jürgen Bock und Manuel Kaspar aus der Kuka Konzernforschung haben im Interview mit elektrotechnik AUTOMATISIERUNG über künstliche Intelligenz in der Robotik gesprochen.

Firmen zum Thema

Im Smart Production Center arbeiten Roboter schon intelligent, hier ist KI-Software im Einsatz.
Im Smart Production Center arbeiten Roboter schon intelligent, hier ist KI-Software im Einsatz.
(Bild: Kuka AG)

elektrotechnik AUTOMATISIERUNG: Eine Frage vorweg: Wird es bald den alleskönnenden, humanoiden Roboter geben?

Jürgen Bock: Nicht in naher Zukunft. Aber Schritt für Schritt gibt es in der Künstlichen Intelligenz (KI) Fortschritte. Und die sind gerade in der Robotik bei Kuka auch schon gut sichtbar.

Wie intelligent ist die Robotik denn schon?

Bock: Roboter werden immer lernfähiger, können sich an geänderte Bedingungen in der Produktion anpassen und sind flexibler einsetzbar. Sie können uns auch bei komplexeren Anwendungen immer besser unterstützen, bei der Losgröße-1-Produktion etwa, der Flexibilisierung einer Produktion.

Bildergalerie

Das klingt noch etwas vage. Können Sie schon eine echte, smarte 4.0-Anwendung nennen?

Manuel Kaspar: Unser sensitive Leichtbauroboter LBR Iiwa kann in einer Applikation beispielsweise Bauteile zusammenfügen, die zuvor beliebig auf einem Tisch platziert wurden. Der Bediener führt dazu den Roboter manuell an die ungefähre Posi­tion der Bauteile. Anschließend kann der LBR Iiwa die Bauteile eigenständig aufnehmen und passgenau zusammenfügen.

Bock: Verglichen mit der medienwirksamen Vision einer autonom und intelligent agierenden Bewegungsmaschine, klingt das vielleicht unspektakulär. Tatsächlich aber steckt in so einer Applikation sehr viel aus der aktuellen KI-Forschung, vor allem aus dem Feld Machine Learning. Und dann spielen da auch noch all die noch offenen Herausforderungen der Automatisierung mit rein. Stichwort Kommunikationsstandards beispielsweise, um nur eine zu nennen.

Wie bündeln Sie in der Kuka Konzernforschung den großen Mix an Forschungsaufgaben?

Bock: Wir bauen bei Kuka ein Cluster Smart Data und Infrastruktur auf. Es geht darum, wie Maschinen miteinander kommunizieren. Und damit sind wir auch schon beim Thema Industrie 4.0. Zu unseren Schwerpunkten zählen Semantische Technologien und Machine Learning, beides Teilbereiche der KI. Das sind jedoch zwei Welten. Es gibt wesentliche Unterschiede, und genau die schauen wir uns in der Kuka Konzernforschung an, um herauszufinden, für welche Anwendungsgebiete in der Industrie sie sich eignen – und wie.

Unter KI verstehen viele Unterschiedlichstes. Können Sie die Ansätze mit Blick auf industrielle Anwendungen skizzieren?

Bock: Traditionell hat die KI ihre Wurzeln im Bereich der Logik, also mit logikbasierten Systemen, mit der Wissensrepräsentation. Da sind wir eher bei semantischen Technologien. Wie kann ich zum Beispiel formales Wissen so abspeichern, dass ein maschinelles System, damit rechnen und automatisch Schlussfolgerungen ziehen kann? Semantik ist es, die uns verstehen lässt, wann wir bei Kiefer von einem Baum sprechen und wann von einem Gelenk. Semantische Technologien eignen sich, wenn sich etwas in Regeln packen lässt.

Und wie unterscheidet sich Maschinelles Lernen von diesem ursprünglichen Verständnis der KI?

Bock: Bei der semantischen Herangehensweise liegen Informationen in symbolischer Weise vor. Man redet über Konzepte, Logik abzubilden. Darüber, was ein Roboterarm beim Bewegen einer Tasse zu beachten hat. Konzeptionelle Zusammenhänge lassen sich in der Wissensbasis abspeichern und dann logisch darauf schlussfolgern.

Beim Maschinellen Lernen wiederum, da habe ich diese Logik erstmal nicht. Da schaut sich das intelligente System nur Beispiele an und lernt daran, welche Zusammenhänge zwischen ihnen bestehen. Es wird trainiert. Welche Gemeinsamkeiten haben sie? Auf diese Weise kommt ein numerisches Modell zustande. Wird ein neues Beispiel durchgerechnet, kommt dann etwa raus, dass es sich bei dem Objekt um eine Tasse handelt. Das ist also nicht explizit als Regel abgebildet.

Was bedeutet der Unterschied zwischen symbolischer KI und Machine Learning ganz praktisch für die Automatisierung?

Kaspar: Symbolisch-logisch stoßen wir an Grenzen. Wenn man einem Computersystem beibringt, wie eine Tasse aussieht, wird es immer auch eine geben, die anders aussieht und die ich nicht mit dieser Regel abdecken kann. In der Autoproduktion ist das vielleicht ein Gummi-Stopfen, der vom Winkel her so falsch montiert ist, dass keine vorformulierte Regel greift und die Fehlstellung korrigiert.

Bock: Und genau hier ist man in den letzten Jahren mit maschinellen Lernverfahren vor allem im Bereich der Vision-Technologien sehr erfolgreich. Ich zeig dem Robotersystem mit integrierter Kamera 5.000 Tassen. Und dann kann die Maschine das mit dem Bilderkennungsalgorithmus irgendwann selbst, auch wenn es für die Anwendung keine explizite Regel gibt.

Kaspar: Deshalb ist der Bereich Vision in puncto KI schon so erfolgreich, da kann ich eben sehr viele Daten sammeln, einschließlich der sogenannten Labels.

Und wie verhilft uns die identifizierte Tasse zu Industrie 4.0?

Bock: Einer der Vorteile von maschinellem Lernen: Man hat einmal auf bestimmte Trainingsdaten trainiert. Das numerische Modell, das dabei entstanden ist, generalisiert über alle diese Fälle. Man erhofft sich, und das funktioniert in kleinerem Rahmen heute schon, dass eine Applikation die gelernten Aufgaben beim nächsten, noch unbekannten Auftrag ausführt. Und hier sind wir dann bei Themen wie Losgröße-1-Fertigung und Flexibilisierung der Produktion. Ich müsste dann zum Beispiel nicht mehr jeden individuellen Auftrag programmtechnisch neu in der Roboterzelle abbilden.

Was ist mit Reinforcement Learning?

Kaspar: Eine erfolgversprechende Variante des Machine Learnings, an der aktuell sehr viele forschen. Der Ansatz lässt sich mit einem kleinen Kind vergleichen, das sich durch viel Ausprobieren selbstständig Dinge beibringt. Allerdings: Fürs Lernen brauchen wir Abweichungen, also auch Fehler. Und genau das ist der Haken für die Industrie. Wie oft kann ich ein selbstlernendes System einen großen, industriellen Prozess scheitern lassen – bis ich sagen kann, jetzt hat es die Sache erfasst?

Und ich kann dort die Prozesse fürs Lerntraining nicht unbedingt so lange wiederholen, bis der Roboter die Bewegung irgendwann erfasst hat. Es gibt Prozesse, die lassen sich nicht so einfach zurückbauen. Wenn ich da irgendwas reinfallen lasse und es verhakt sich, krieg ich’s nicht mehr raus. In der Theorie schön, in der Praxis brauche ich den Menschen.

Und der Haken bei Verfahren des Maschinellen Lernens?

Kaspar: Ohne symbolisches Schlussfolgern, also semantische Technologien, fehlt das Verständnis vom Objekt. Der Bildalgorithmus erkennt das Objekt anhand der Pixel als Tasse in 2D, hat aber keine Idee davon, dass sie als Behältnis und mit Flüssigkeit anders zu handhaben ist. Da spielt neben der Rohdatenverarbeitung noch jede Menge, ich nenne es mal Weltwissen, hinein.

Bock: In der Robotik sind beide Ansätze wichtig. Einerseits können wir viel an Umgebungsdaten erfassen, etwa von Sensoren in einer Automatisierungsumgebung. Und daraus können wir lernen. Andererseits verfügen wir aber auch über viel Expertenwissen im Anlagen- und Maschinenbau. Das können wir mit der anderen Art von Algorithmus besser abdecken.

Und lassen sich die KI-Welten schon zusammenbringen?

Bock: Das ist eben die große Herausforderung für die Industrie. Da arbeiten weltweit schon viele dran. Den großen Durchbruch hat es noch nicht gegeben. Manches wird sich vermutlich rückblickend als deutlicher Schritt herauskristallisieren. Bildverarbeitung etwa, davon hat man vorher noch nicht einmal geträumt.

Kaspar: Diese Verfahren sind Werkzeuge. Und in ein paar Jahren werden sie vielleicht schon wie viele kleine Bausteine in verschiedensten Systemen genutzt, von Leuten, die davon nichts gelernt haben. Und mit diesen Bausteinen sind wir teilweise schon sehr weit.

Was gehört schon zum Machine-Learning-Werkzeugkasten?

Kaspar: Viele Algorithmen, Vorverarbeitung, Kommunikation von Daten, wie kann ich die speichern, welche Grafikkarte oder Prozessoren verwende ich? Welche Abtastrate? Zu allem gibt es Wissen und Algorithmen, also ein Werkzeugkasten von Elementen. Das maschinelle Lernen spielt eine Rolle, um vergangene Produktionsszenarien auf das Neue zu übertragen. Dann geht es aber auch um die Beschreibung der Fähigkeiten der einzelnen Komponenten: Können die das überhaupt, und wenn sie es können, was müssen sie da eigentlich tun? Also wie kommt die Produktspezifikation zu einem Prozess? Und wir setzen uns in der Konzernforschung gezielt mit all diesen Dingen auseinander, auch in Konsortien und Förderprojekten.

Haben Sie noch ein konkretes Beispiel?

Bock: Das Förderprojekt ProDok 4.0 veranschaulicht ganz gut, worum es für industrielle Anwendungen in der KI erstmal geht. Schaltschrankmontage: Elektronische Komponenten auf Hutschienen klipsen kann man mit einem sensitiven Leichtbauroboter, der Kräfte quasi spüren kann, sehr gut machen. Die Kraftsensitivität bei diesem Einschnappvorgang lässt sich im Prinzip an den Kraftdaten erkennen. Und die schauen immer ein bisschen anders aus, je nachdem, welcher Winkel, welches Bauteil, welcher Schnappmechanismus, welche Position. Wenn in der Automatisierungszelle ein Problem auftritt, kann das also verschiedene Ursachen haben. Vielleicht war die Hutschiene nicht an der richtigen Position? Mit kombinierten semantischen Algorithmen lässt sich auf solche möglichen Fehlerursachen schließen. Genau hier bringen wir also die zwei Welten schon zusammen.

Könnte der Roboter zur Zentrale im Produktionsnetz werden?

Kaspar: Logisch gesehen sind das zwei verschiedene Dinge: der Roboter und die Software, die die ganze Zelle steuert. Das kann natürlich auch auf einem Rechner laufen. Wenn die Intelligenz in der Software sitzt, gibt es unglaublich viele Möglichkeiten mit neuen Planungsalgorithmen, die bei Unwägbarkeiten in der Anlage helfen.

Bock: Wenn man den Roboter nicht mehr als einzelne Bewegungsmaschine sieht, sondern auch als zentrale Komponente– dann kann zusätzliche Wertschöpfung stattfinden. Das wäre so ein wirtschaftlicher Aspekt von KI, neue Geschäftsmodelle.

Und woran hapert es noch?

Bock: Die große Hürde ist, dass es noch keine einheitliche Infrastruktur gibt. Wir arbeiten daran auch in einem größeren Förderprojekt, in einem Konsortium mit 20 Partnern.

Kaspar: Und an guten Trainingsdaten, zumindest auf der unteren Automatisierungsebene in Echtzeit. Wenn ich mit Predictive Maintenance erkennen will, ob ein Robotergetriebe demnächst kaputtgeht, brauche ich Daten im Millisekundentakt, was technologisch so noch gar nicht wirklich zu handeln ist. Wie soll ein Automobilhersteller, der 20 Roboter in seiner Anlage im Einsatz hat, alle diese Daten bandbreitentechnisch da aus der Fertigungslinie in die Cloud und zurück bekommen? Da muss ich mit der Verarbeitung der Daten näher an die Anwendung. Das sind solche konkreten Fragestellungen für uns im Machine Learning.

Werden einige Hardware-Komponenten überflüssig?

Kaspar: Das ist denkbar. Habe ich ein System, das per Vision oder flexiblen Algorithmen bestimmte Aufgaben erledigen kann, benötige ich vielleicht keine kostenintensiven Hardware-Komponenten mehr. Viele Funktionen, die ursprünglich über die Hardware gelöst wurden, könnten dann von flexibleren Algorithmen abgefangen werden.

Ihre persönliche Vision: Wo geht die Reise hin?

Kaspar: Wir wollen den Roboter zu einer Maschine machen, die weiß, was sie tun muss, um eine bestimmte Aufgabe zu erfüllen. Zum Beispiel, um ein Losgröße- 1-Produkt zu fertigen. Das gab’s noch nie vorher.

Bock: Ich glaube daran, dass vieles einfacher wird mit KI und Robotik. Aber dass hier bald der intelligente humanoide Roboter rumläuft – da glaubt sicherlich noch kein KI-Forscher dran.

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46107013)

Über den Autor

 Karin Pfeiffer

Karin Pfeiffer

Journalistin