Autonome robots leren door ‘gluren bij de buren’

Wil je robots autonoom en flexibel hun werk laten doen, dan moet je ze dat wel leren. Maar waar haal je de immense hoeveelheid data vandaan voor dat ‘curriculum’? Nou – door te ‘gluren bij de buren’. Of technische uitgedrukt – ‘federated machine learning’. Onderzoekers aan het Karlsruher Institut für Technologie (KIT) hebben met onder andere de Canadese University of Waterloo, manieren ontwikkeld om robots op diverse locaties en van verschillende ondernemingen gemeenschappelijk van elkaar te laten leren. Zonder dat ze bedrijfsgeheimen kunnen afkijken.

"Bij de gebruikelijke methodes voor ‘machinaal leren' worden alle gegevens verzameld en wordt de AI (artificial intelligence - red.)getraind op een centrale server", zegt Maximilian Gilles van het Institut für Fördertechnik und Logistiksysteme (IFL) van het KIT. Met gezamenlijk maar lokaal gescheiden leren (‘federated learning') kan je de AI trainen met data van verschillende stations, van verschillende fabrieken of zelfs verschillende bedrijven - zonder dat de deelnemers gevoelige bedrijfsgegevens hoeven vrij te geven. "Dit heeft ons nu in staat gesteld om autonome grijprobots in de logistiek zo te trainen dat ze betrouwbaar voorwerpen kunnen grijpen die ze nog niet eerder hebben gezien." zegt Gilles.

Geen centrale data-inzameling

In het nu afgeronde project FLAIROP (Federated Learning for Robot Picking) zijn voor het trainen van de pickrobots bijvoorbeeld geen belden of aangrijppunten uitgewisseld. Alleen de lokale parameters van de neurale netwerken, dus sterk geabstraheerde kennis, zijn overgebracht naar een centrale server. Na met behulp van verschillende algoritmen te zijn samengevoegd, is die kennis weer teruggevoerd naar de verschillende stations. Vervolgens zijn die weer met lokale gegevens verder getraind. Die cyclus is verschillende keren doorlopen.

Geslaagd

In totaal zijn vijf autonome orderverzamelstations opgezet om de robots te trainen: twee bij het IFL en drie bij Festo SE in Esslingen am Neckar. "Onze resultaten laten zien dat ‘Federated Learning' kan worden gebruikt om samen robuuste AI-oplossingen te genereren voor gebruik in de logistiek zonder gevoelige gegevens te delen", aldus Sascha Rank van het Institut für Angewandte Informatik und Formale Beschreibungsmethoden (AIFB) aan het KIT en eveneens partner was in FLAIROP.

Dr. Jan Seyler, hoofd Advanced Development Analytics and Control bij Festo over de resultaten: "We zijn blij dat we erin geslaagd zijn om aan te tonen dat robots van elkaar kunnen leren zonder gevoelige gegevens en bedrijfsgeheimen te delen. Op deze manier beschermen we de gegevens van onze klanten en winnen we ook aan snelheid omdat de robots op deze manier veel taken sneller kunnen overnemen. Zo kunnen de colloboratieve robots bijvoorbeeld productiemedewerkers ondersteunen bij repetitieve, zware en vermoeiende taken."

Het FLAIROP-onderzoeksproject

Het FLAIROP-project, een samenwerkingsverband tussen Canadese en Duitse organisaties en bedrijven, is in 2021 van start gegaan. De Canadese projectpartners richtten zich op objectherkenning via Deep Learning, Explainable AI en optimalisatie, terwijl de Duitse partners hun expertise bijdroegen in robotica, autonoom grijpen via Deep Learning en gegevensbeveiliging:

• KIT-IFL: ontwikkeling van een algoritme voor het bepalen van grijppunten, ontwikkeling van automatische generatie trainingsdata;
• KIT-AIFB: ontwikkeling Federated Learning Framework;
• Festo SE und Co KG: consortiumleiding, ontwikkeling van orderverzamelstations, pilotproject;
• University of Waterloo: ontwikkeling objectherkenningsalgoritme;
• Darwin AI: lokale en globale netwerkoptimalisatie. 

FLAIROP is gefinancierd door de Canadese National Research Council (NRC) en het Duitse ministerie van Economie en Klimaatbescherming (BMWK).

Gezocht

In de toekomst willen de onderzoekers hun systeem voor Federated Learning verder ontwikkelen, zodat het als platform kan worden gebruikt door verschillende bedrijven om samen robotsystemen te trainen zonder gegevens te hoeven delen. Gilles en zijn team zijn op zoek naar partners uit de industrie en het onderzoek voor verder onderzoek.