Machine Learning Machine Learning im Einsatz bei mobilen Pick-Robotern

Manuelle Kommissionierprozesse mit intelligenten und mobilen Robotern zu automatisieren stellt eine große Herausforderung dar. Die unendliche Varianz an möglichen Situationen, in der sich ein Roboter dabei wiederfinden kann, erfordert ein hohes Maß an Autonomie.

Anbieter zum Thema

Klinkhammer Intralogistics GmbH

SSI SCHÄFER / Fritz Schäfer GmbH

Getac Technology GmbH

Magazino GmbH

Der Roboter muss also in vielen Situation selbst entscheiden, wie er sich verhalten soll. Dass der Mensch für alle möglichen Optionen einen Vorschlag macht ist aufgrund der unendlichen Möglichkeiten keine Option. Der Roboter lernt am besten also selbst, welches Verhalten die besten Ergebnisse liefert. Doch wo kommt Machine Learning bei mobilen Pick-Robotern zum Einsatz? Was sind die Herausforderungen? Und was erhofft man sich vom Einsatz von Machine Learning?

Generell gibt es drei Bereiche im Machine Learning:

• 1. Unsupervised learning: ähnliche Muster/Cluster/Strukturen werden erkannt.

• 2. Supervised learning: dem System werden Beispiele und Vergleichsbilder sowie die dazugehörigen Ergebnisse gegeben.

• 3. Reinforcement Learning: hier werden beide Varianten kombiniert. Dem System werden über ein Belohnungs- beziehungsweise Strafensystem Anreize gesetzt. Potentielles Anwendungsgebiet: Batcher (Auftragsverteilung zwischen den Robotern) – pro gefahrenen Meter oder gebrauchte Sekunde werden Strafpunkte gegeben, für den erfolgreichen Pick/Putdown gibt es viele Belohnungspunkte.

Der große Vorteil bei Machine Learning mit mobilen Pick-Robotern in der echten Welt ist folgender: es gibt immer einen Vorher-Nachher-Vergleich. Der Roboter sieht über seine Kameras und Sensoren vor einer Aktion wie die Welt um ihn herum aussieht. Nach der Aktion hat er einen direkten Vergleich zum vorherigen Zustand. Jede Aktion des Roboters kommt ja außerdem mit einem Label – war der Greifvorgang erfolgreich? Dass die Daten gelabelt sind ist sehr wertvoll. Sonst müsste jede Aktion von einem Menschen gelabelt, also bewertet, werden ob die Maschine richtig gehandelt/entschieden hat.

Zu den Herausforderungen zählt, dass beim Machine Learning mit mobilen Robotern die Sensordaten sehr vielfältig und unterschiedlich sind. Kein Vergleich mit zweidimensionalen digitalen Fotos über die einfach eine Bilderkennungssoftware läuft. Der Roboter muss sich außerdem immer entscheiden, welche Daten für ihn relevant sind. Beispielsweise welcher Ausschnitt eines Bildes, welches er von seiner Kamera geliefert bekommt, überhaupt der für ihn relevante ist.

Logistikevents

Welche Rolle Roboter im Warehouse spielen – heute und in Zukunft

Machine Learning bei mobilen Robotern geht weit über ein einfaches Labeling hinaus. Es geht also nicht darum auf Bildern zu unterscheiden ob es sich bei dem Motiv um einen Hund oder eine Katze handelt. Es geht vielmehr darum herauszufinden, wo ein Objekt anfängt, wo eines aufhört und in welchem Abstand es sich zum Betrachter/zur Kamera oder Sensor befindet. Dies wird beispielsweise relevant, wenn der Roboter vor einem dicht gepackten Regal voller Schuhkartons steht. Er muss dann nicht nur zwischen allen Kartons seinen Zielkarton identifizieren, sondern auch seine Greifbewegung so planen, dass die anderen Kartons nicht tangiert werden.

Dazu kommt: die Roboter müssen mit Multimodalen Daten zurechtkommen. Also nicht nur Fotos von 2D-Kameras, sondern Daten aus ganz unterschiedlichen Quellen wie Laserscannern, Abstandssensoren oder 3D-Kameras. Die Daten liegen also in komplett unterschiedlicher Art vor. Außerdem kommen die verschiedensten Daten von unterschiedlichen Koordinaten: Beispielsweise während die 3D-Kamera ins Regal schaut, meldet der Laserscanner Daten von einem ganzen Blickwinkel und Ort. Die Herausforderung liegt hier also darin, dass alle Daten räumlich und zeitlich sowie in ihrer Art auf eine Vergleichbare Ebene gebracht werden.

Wo Machine Learning konkret zum Einsatz kommt

Machine Learning heißt letztendlich auch, dass das System nicht nur ein Ergebnis ausspuckt („Auf dem Foto ist ein Hund und keine Katze zu sehen“), sondern auch ein Verhalten aus dem Ergebnis ableiten kann. Die Erkenntnisse also abstrahieren kann. Beim Anwendungsfall „optimale Greifpunkte auf Schuhkartons identifizieren“ ist das sehr anschaulich. Hier werden die Bewegungen des Greifarms auf die identifizierten Greifpunkte optimiert.

Das „Lernen“ verlief folgendermaßen:

• Mit dem mobilen Kommissionierroboter Toru wurden im Live-Betrieb die Daten von rund 100 Zugriffen („Picks“) auf Schuhkartons aufgezeichnet.

• Insbesondere wurde aufgezeichnet, welcher der sechs Saugnäpfe im Vakuumgreifer beim Zugriff korrekt auf dem Karton saß und somit einen Unterdruck erzeugen konnte. Dadurch entstanden über 600 Datensätze.

• Gleichzeitig wurden vor jedem Zugriff ein Foto über die Kamera im Greifer aufgenommen und mit den jeweiligen Ergebnissen, des anschließend erfolgten Zugriffes, verknüpft.

• Auch wenn fast alle Zugriffe erfolgreich waren, war ungefähr die Hälfte der individuellen Saugnapfrückmeldungen negativ. Entweder weil der einzelne Saugnapf ganz oder teilweise außerhalb des Schuhkartons lag oder weil die Struktur des Kartons ein Vakuum verhinderte. Beispielsweise die Lippe das Kartondeckels oder das Fingerloch in der Stirnseite des Kartons.

• Die gewonnen Daten wurden über ein so genanntes neuronales Netz laufen gelassen. Mit den Erkenntnissen wurde eine Heatmap erstellt. Also eine Darstellung, in welchem Bereich eines Kartons die Saugnäpfe tendenziell erfolgreich waren und wo nicht.

• Anschließend wurde dem System die Aufnahme eines völlig unbekannten Schuhkartons gezeigt. Aufgrund der zuvor gewonnen Erkenntnisse konnte das System auf Anhieb den Punkt auf dem Karton identifizieren, bei dem möglichst alle sechs Saugnäpfe erfolgreich ein Vakuum aufbauen konnten.

Ausblick

Der Einsatz von Machine Learning verfolgt im Wesentlichen drei Ziele:

• 1. Die Performance der Roboter verbessern: Das geht in erster Linie in dem möglichst viele Daten, die es eigentlich schon gibt (Wo befindet sich was und welche Dimensionen hat es?) auch in die Planung der Roboteraktionen einbezogen werden. Je mehr der Roboter nicht erst selbst herausfinden muss, desto mehr Zeit wird eingespart.

• 2. Jedoch viel wichtiger: eine höhere Robustheit und bessere Anpassungsfähigkeit an unbekannte Situationen (zum Beispiel Greifpunkte auf unbekannten Kartons erkennen).

• 3. Der Deploymentprozess lässt sich automatisieren. Beispielsweise das Einlernen von neuen Umgebungen beziehungsweise das Updaten wenn sich in einem Lager etwas ändert.

* Florin Wahl, Public Relations, Magazino GmbH

(ID:45421505)