23/08/2023
Door Ad Spijkers
Ook robots op verschillende locaties kunnen via deep learning van elkaar leren en efficiënter werken.
Autonome, flexibele robots worden beschouwd als een sleuteltechnologie voor Industrie en Logistiek 4.0. Maar om robots met kunstmatige intelligentie (AI) te trainen, zijn zeer hoeveelheden data nodig, waar slechts weinig bedrijven over beschikken. De oplossing is, robots van verschillende bedrijven op verschillende locaties van elkaar te laten leren. Onderzoekers van het Karlsruher Institut für Technologie (KIT) hebben samengewerkt met partners om manieren te ontwikkelen om samen te leren zonder gevoelige gegevens en bedrijfsgeheimen te hoeven delen.
Training
Bij conventionele machine learning-methoden worden alle gegevens verzameld en wordt de AI getraind op een centrale server. Door gezamenlijk maar lokaal gescheiden te leren, ook wel federatief leren genoemd, kunnen trainingsgegevens van verschillende stations, van verschillende fabrieken of zelfs meerdere bedrijven worden gebruikt zonder dat de deelnemers gevoelige bedrijfsgegevens hoeven vrij te geven.
De onderzoekers hebben autonome grijprobots in de logistiek kunnen trainen, zodat ze op betrouwbare wijze voorwerpen kunnen vastgrijpen die ze nog niet eerder hebben gezien. Door de verscheidenheid aan objecten in een industrieel magazijn is dit een zeer veeleisende taak.
Flairop
In het Flairop-project (Federated Learning for Robot Picking), dat in 2021 startte en inmiddels is afgerond, vond voor de training geen uitwisseling van data plaats, zoals afbeeldingen of grippunten. Alleen de lokale parameters van de neurale netwerken, dat wil zeggen geabstraheerde kennis, werden doorgegeven aan een centrale server. Daar werden de gewichten van alle stations verzameld en gecombineerd met behulp van verschillende algoritmen.
Vervolgens werd de verbeterde versie teruggestuurd naar de lokale stations en verder getraind op de lokale gegevens. Dit proces werd verschillende keren herhaald. De resultaten laten zien dat federatief leren kan worden gebruikt om samen robuuste AI-oplossingen te creëren voor gebruik in de logistiek zonder gevoelige gegevens te delen.
In de toekomst willen de onderzoekers hun federatieve leersysteem zo verder ontwikkelen dat het als platform verschillende bedrijven in staat stelt samen robotsystemen te trainen zonder dat ze data met elkaar hoeven te delen. Maximilian Gilles en zijn team zijn op zoek naar partners uit de industrie en het onderzoek voor verder onderzoek.
Vijf stations
Er zijn vijf autonome verzamelstations opgezet om de robots te trainen: twee bij KIT en drie bij Festo in Esslingen am Neckar. Hiermee is aangetoond dat robots van elkaar kunnen leren zonder gevoelige gegevens en bedrijfsgeheimen te delen. Hierdoor worden de data van klanten beschermd en winnen de gebruikers aan snelheid doordat de robots op deze manier veel taken sneller kunnen overnemen. De collaboratieve robots kunnen bijvoorbeeld productiemedewerkers ondersteunen met repetitieve, moeilijke en vermoeiende taken.
Het Flairop-project was een samenwerkingsverband tussen Canadese en Duitse organisaties en bedrijven. De Canadese projectpartners concentreerden zich op objectherkenning door deep learning, verklaarbare AI en optimalisatie. De Duitse partners brachten hun expertise op het gebied van robotica, autonoom grijpen door deep learning en databeveiliging in. Behalve KIT en Festo namen de University of Waterloo in Ontario en Darwin AI (eveneens in Waterloo) deel aan het project.
Foto: Amadeus Bramsiepe, KIT