Die Abteilung Robotersysteme des Fraunhofer IFF entwickelt innovative KI-Lösungen für die Automatisierung komplexer Prozesse wie z.B. die Montage und Demontage im industriellen Umfeld oder die Handhabung von Objekten im Pflegebereich. Unsere Technologien ermöglichen es Robotern, zuverlässig auf Veränderungen zu reagieren und sich an neue Aufgaben anzupassen. Damit erschließen wir Anwendungsfelder, die bisher der konventionellen Robotik verschlossen blieben. Diese ist auf spezifische, eng definierte Aufgaben beschränkt und verfügt nicht über die Flexibilität, sich an neue oder unvorhergesehene Umstände in der Umgebung oder am Arbeitsplatz anzupassen.
Als Antwort auf diese Herausforderungen entwickeln wir neue KI-basierte Technologien, um Robotern die notwendigen kognitiven Fähigkeiten zu verleihen, um in komplexen, sich verändernden Umgebungen autonom zu agieren. Ermöglicht wird dies durch eine adaptive, KI-basierte Generierung der Roboterbewegung während der Ausführung. Dabei wird zu jedem Zeitpunkt der aktuelle Zustand des Prozesses und der Umgebung erfasst und eine optimale Handlung daraus abgeleitet. Dies eröffnet völlig neue Einsatzfelder für Roboteranwendungen, die heute mit herkömmlichen Programmiermethoden nicht umsetzbar sind. Der Roboter erlangt die Fähigkeit, die Umgebung zu verstehen, Entscheidungen zu treffen, Probleme eigenständig zu lösen und aus Erfahrungen zu lernen. Dazu vereinen wir Erkenntnisse und Methoden aus verschiedenen Disziplinen wie Künstliche Intelligenz, maschinelles Lernen, Regelungstechnik und Computer Vision.
Ein zentraler Schwerpunkt bei der Entwicklung KI-basierter Roboterbewegungen liegt in der Erzeugung der notwendigen Trainingsdaten. Moderne KI-Systeme benötigen eine große Menge an Trainingsbeispielen, um robuste und generalisierbare Fähigkeiten zu entwickeln. Bei diesem Datenumfang wäre ein direktes Training am physischen Roboter nicht nur zeitaufwändig und kostenintensiv, sondern würde auch das Risiko von Beschädigungen durch Fehlverhalten bergen. Aus diesem Grund nutzen wir moderne Simulationsumgebungen, in denen das Robotersystem, dessen Umgebung und der Prozess nachgebildet werden. Dies ermöglicht ein effizientes und sicheres Training der KI-Modelle mit einer praktisch unbegrenzten Anzahl von Szenarien und Varianten. Allerdings besteht zwischen Simulation und Realität stets eine gewisse Abweichung, die sogenannte Sim2Real-Lücke. Unsere Forschung konzentriert sich daher auf Methoden, diese Lücke zu schließen. Durch einen gezielten Einsatz von simulierter Varianz erzeugen wir robuste KI-Modelle, die mit diesen Abweichungen umgehen können. Die erfolgreiche Übertragung von der Simulation in die Realität (Sim2Real-Transfer) konnten wir zahlreichen praxisrelevanten Anwendungen nachweisen.
In einem aktuellen Forschungsprojekt demonstriert wir die Leistungsfähigkeit unserer KI-basierten Bewegungsgenerierung für Roboter am Beispiel der automatisierten Demontage von Elektroaltgeräten. Diese Aufgabe stellt besondere Anforderungen an die Flexibilität und Adaptivität der Robotersteuerung, da weder die zu demontierenden Produkte noch deren Zustand im Voraus im Detail bekannt sind. Diese Vielfalt macht eine klassische, regelbasierte Programmierung praktisch unmöglich. Aus diesem Grund setzen wir auf Methoden des Reinforcement Learning und Imitation Learning, die es ermöglichen, aus Erfahrungen zu lernen. Die daraus resultierenden Möglichkeiten werden im folgenden Video am Beispiel der automatisierten Entnahme eines Mainboards aus einem PC-Gehäuse demonstriert.