Grundausbildung im maschinellen Lernen für Feldroboter der nächsten Generation
Neben der Industrierobotik, die weiterhin rasant voranschreitet, wächst das Interesse an „Feldrobotern“ für Berufe, die auf sich wiederholende, gefährliche oder weit entfernte manuelle Tätigkeiten angewiesen sind. So können Bergbauroboter zum Beispiel überflutete Passagen kartieren und die Konzentration von Mineralien analysieren, während Landwirtschaftsroboter Obst ernten und Kühe melken können. Um eine höhere Akzeptanz zu erreichen, müssen jedoch die Herstellungs- und Betriebskosten von Feldrobotern gesenkt und ihre Fähigkeiten erweitert werden, vor allem in den Bereichen Sensorik, Wahrnehmung und Steuerung. „Industrieroboter arbeiten in stärker strukturierten Umgebungen, wie z. B. in Fabriken, und sind daher einfacher zu konstruieren und zu bedienen. Feldroboter müssen sich an mehr Unwägbarkeiten anpassen, um ihre Aufgaben zu erfüllen“, sagt Hugo Silva, Koordinator des EU-finanzierten Projekts DEEPFIELD. „Während datengestützte Strategien des tiefen Lernens dabei helfen könnten, bestehen immer noch Einschränkungen bei der Anwendung dieser Verfahren in der realen Welt der Roboteraktivitäten.“ DEEPFIELD half Nachwuchsforschenden des Zentrums für Robotik und autonome Systeme INESC TEC, an dem das Projekt stattfand, eine Reihe von Verfahren des tiefen Lernens zu erforschen, um Feldrobotern die Autonomie und Anpassungsfähigkeit zu verleihen, die sie für einen erfolgreichen Einsatz in schwierigen Umgebungen benötigen. Zu den bemerkenswerten Erfolgen gehört, dass die Forschenden nachweisen konnten, wie Methoden des tiefen Lernens mittels hyperspektraler Bildgebungssysteme bei der Erkennung von Meeresabfällen aus dem Weltraum helfen können, und dass sie Bildgebungstechnologien einsetzen, damit Roboter ihre Position und Orientierung bestimmen können, während sie unter Wasser sind.
Den besten Algorithmus des tiefen Lernens für die jeweilige Aufgabe finden
Zur Unterstützung der ehrgeizigen Ziele der EU für „Europas digitale Zukunft“ wurde DEEPFIELD entwickelt, um den Nachwuchsforschenden vielfältige praktische Erfahrungen mit robotergestützten Verfahren des tiefen Lernens zu vermitteln. Die Forschenden konzentrierten sich auf ein bestimmtes Roboterproblem, bei dem tiefes Lernen hilfreich sein könnte, und erhoben zunächst direkte Daten oder nutzten eine Simulationsumgebung, um dann nach der Datenanalyse mit verschiedenen algorithmischen Lösungen zu experimentieren und die Ergebnisse zu bewerten. „Das Spektrum der Ansätze im tiefen Lernen und der zu bewältigenden Aufgaben war breit genug, um uns eine gute Grundlage für eine Vielzahl von Lösungen zur Entwicklung anpassungsfähiger Roboter der nächsten Generation zu bieten“, bemerkt Silva. Dabei arbeiteten die Forschenden mit vielen Arten von Robotern: autonome Landfahrzeuge, automatisierte Luftfahrzeuge (Drohnen), ferngesteuerte Unterwasserfahrzeuge und autonome Unterwasserfahrzeuge. Die Forschenden besuchten die Einrichtungen der Konsortiumsmitglieder: die Universität Girona (Spanien), die Heriot Watt University (Schottland), die Max-Planck-Gesellschaft (Deutschland) und die Polytechnische Universität Mailand (Italien), wo sie jeweils thematische Workshops, Sommerschulen, kurze wissenschaftliche Missionen und Mentoring organisierten. „Nach dem Erlernen der Grundlagen und der Zusammenarbeit mit Sachverständigen auf dem jeweiligen Gebiet in den Einrichtungen eines Partners haben wir in den Sommerschulen Software oder Algorithmen mit echten Robotern getestet“, sagt Projektleiterin Ana Paula Lima. Bei der Universität Girona lag der Schwerpunkt zum Beispiel auf der Handhabung unter Wasser, wobei die Forschenden die für den Stonefish-Simulator relevante Programmierung erlernten, die sie dann zur Durchführung von Inspektionsmanövern mit einem autonomen oder ferngesteuerten Unterwasserfahrzeug nutzten.
In der Spitzenposition für Feldroboter der nächsten Generation
Im Rahmen des Projekts bot sich den Nachwuchsforschenden zudem reichlich Gelegenheit, sich zu vernetzen, um sich beruflich weiterzuentwickeln und den Wissensaustausch von INESC TEC mit wichtigen Beteiligten in diesem Bereich zu erweitern. So erhielt das Team die Möglichkeit, seine Arbeit zu präsentieren. Bei einem Besuch der Forschungsbasis Ny-Ålesund auf Spitzbergen am Polarkreis wurden zwei INESC-TEC-Roboter getestet, die die Fähigkeiten des Teams unter Beweis stellten. „Das Feedback war so ermutigend, dass INESC TEC einige Wochen später einen Vorschlag bei der Europäischen Kommission einreichte, der auch die neuen Kontakte enthielt, die während dieses Besuchs geknüpft wurden“, so Lima. Ein qualifizierteres und motivierteres junges Team vorzuweisen, hat sich für INESC TEC bei der Verfolgung zusätzlicher Projekte in Bereichen wie Verteidigung und Sicherheit, Umwelt und Offshore-Energieressourcen als Segen erwiesen, in denen die Forschenden nun bereit sind, ihr neu erworbenes Wissen anzuwenden.
Schlüsselbegriffe
DEEPFIELD, Algorithmus, maschinelles Lernen, Roboter, tiefes Lernen, Autonomie, Daten, Unterwasser, Abfall
