- IT&Production - https://www.it-production.com -

Roboter ohne Expertenwissen entwickeln

Die Komplexität von Robotern nimmt stetig zu. Dies stellt Entwickler vor Herausforderungen und treibt die Entwicklungskosten in die Höhe. Im Projekt Q-Rock verfolgt das Robotics Innovation Center des Deutschen Forschungszentrums für Künstliche Intelligenz (DFKI) einen einen Ansatz, bei dem es Nutzern ohne Expertenwissen mithilfe von künstlicher Intelligenz möglich sein soll, maßgeschneiderte Robotersysteme für ihre Anwendungen zu entwickeln.

 

Der am DFKI Robotics Innovation Center für den Weltraumeinsatz entwickelte Roboter Mantis. Dank Q-Rock soll es zukünftig auch Nutzern ohne Expertenwissen möglich sein, kosteneffizient maßgeschneiderte Robotersysteme für ihre Anwendungen zu entwickeln. (Bild: DFKI GmbH/Foto: Annemarie Popp) [1]

Der am DFKI Robotics Innovation Center für den Weltraumeinsatz entwickelte Roboter Mantis. Dank Q-Rock soll es zukünftig auch Nutzern ohne Expertenwissen möglich sein, kosteneffizient maßgeschneiderte Robotersysteme für ihre Anwendungen zu entwickeln. (Bild: DFKI GmbH/Foto: Annemarie Popp)

Das Projekt Q-Rock bildet den zweiten Schritt der X-Rock-Projektlinie des Robotics Innovation Centers und adressiert eine der grundlegenden Fragen in der Robotik: Wie kann ein Roboter das Wissen über sich selbst und seine Fähigkeiten eigenständig entwickeln, ohne dass ihm dies von einem Entwickler vorgegeben werden muss? Dabei setzt Q-Rock zum auf Methoden der künstlichen Intelligenz, wie Maschinelles Lernen und strukturelles Schlussfolgern. Zum anderen baut es auf der umfangreichen Datenbasis des Vorgängerprojekts D-Rock auf. Die Datenbank verbindet modellierte Software mit Hardware- und Verhaltensmodellen und unterstützt zudem durch umfassende Modularisierung – d.h. die effiziente Wiederverwendbarkeit von Komponenten – die Roboterentwicklung. „Q-Rock ist ein wichtiger Schritt hin zu sogenannten ‚integrierten KI-Lösungen‘. Dieser Ansatz wird es auch Menschen, die keine KI- oder Robotikexperten sind, ermöglichen, auf den eigenen Bedarf zugeschnittene Systeme zu entwickeln und einzusetzen. Davon können in Zukunft vor allem kleine und mittelständische Unternehmen profitieren, die sich so den Einsatz von Robotern auch in größerem Umfang leisten können, um langfristig wettbewerbsfähig zu bleiben“, sagt Prof. Frank Kirchner, Leiter des DFKI Robotics Innovation Centers.

Roboter lernt sich selbst kennen

Anders als in D-Rock wird in Q-Rock der Roboter selbst in die Lage versetzt, ausgehend von seinem Aufbau, die ihm zur Verfügung stehenden Fertigkeiten zu erforschen. Dabei nutzen die Bremer Wissenschaftler neue Ansätze, um basierend auf der modularen Roboterbeschreibung zunächst die Fähigkeiten von Teilkomponenten – z.B. eines einzelnen Sensors oder Gelenkes – zu ermitteln, und daraus die Fähigkeiten des Gesamtsystems abzuleiten. Mit Hilfe maschineller Lernverfahren und auf Basis der in D-Rock erarbeiteten Datenbank werden die erlernten Fähigkeiten dann automatisch in funktionale Einheiten gruppiert und zusammen mit einer semantischen Beschreibung in sogenannte Kognitive Kerne überführt. Diese Softwarebausteine enthalten die Verbindung zwischen den Fähigkeiten einer Hardware – z.B. denen eines Roboterarmes – sowie der daraus resultierenden möglichen Bedeutung im Verhalten, z.B. dem Greifen eines Objekts. So können verschiedene kognitive Kerne kombiniert werden, um komplexes Roboterverhalten, wie das Öffnen einer Tür, zu erzeugen. Die Verhaltensbausteine werden dann durch strukturelles Schlussfolgern wieder auf die Hardware abgebildet. Auf diese Weise ist auch ein Nutzer ohne entsprechende Expertise in der Lage, komplette Robotersysteme für bestimmte Anwendungsbereiche zu erzeugen. Dafür braucht er lediglich die Anforderungen an das Verhalten eines Systems zu spezifizieren. Q-Rock generiert dann auf dieser Basis automatisch die passenden Hardwarekombinationen aus der Datenbank.

Neue Konstruktions- und Planungsprozesse

Indem es das automatisierte Konstruieren von Roboterhardware anhand des gewünschten Verhaltens ermöglicht, werden zukünftig ganz neue Konstruktions- und Planungsprozesse für Roboteranwendungen realisierbar. Zudem lässt sich modellbasiert schlussfolgern, welche Aufgaben ein Roboter mit seiner gegebenen Hardware durch Kompositionen von Verhalten ausführen kann. Dadurch können die Ergebnisse des Projekts auch zur Qualifizierung von Hardware eingesetzt werden.