Kognitive Produktionssysteme

Heutige Automatisierungssysteme in der Produktion sind meist durch starre Vorgaben gekennzeichnet und besitzen keine Intelligenz oder Fähigkeiten zur Entwicklung von Intelligenz, weshalb die Flexibilität dieser Systeme immer noch stark begrenzt ist. Die Aufwände, ein solches System zu planen, zu programmieren und sicher in Betrieb zu nehmen sind zu hoch, wenn häufige Änderungen in den Produktionsabläufen vorliegen. Dies steht im krassen Widerspruch zum wachsenden Bedarf an Individualisierung in der Produktion. Der Bereich „Kognitive Produktionssysteme“ des IFF der Universität Stuttgart nutzt Methoden des maschinellen Lernens und der künstlichen Intelligenz, um zukünftige Produktionssysteme zu befähigen, sich eigenständig an ändernde Anforderungen anzupassen.

Forschungsthemen des Bereichs im Einzelnen sind:

  • Entwicklung und Anwendung von Verfahren des maschinellen Lernens im industriellen Umfeld
  • Architekturen und Algorithmen für die kognitive Robotik und Automatisierungstechnik
  • Integration cyber-physischer und kognitiver Produktionsmittel in vernetzten Wertschöpfungssystemen
  • Sicherer, zuverlässiger und nachvollziehbarer Einsatz von Künstlicher Intelligenz in der Produktion

Das FutureWorkLab ist ein Innovationslabor für Arbeit, Mensch und Technik am Standort Stuttgart. Die Abteilung Kognitive Produktionstechnik des IFF ist am FutureWorkLab II beteiligt.

FutureWorkLab

Für Montageaufgaben ist die flexible Roboterprogrammierung bislang noch aufwendig. Dies zu verbessern, ist das Ziel des Forschungsprojekts »Rob-aKademI«. Die darin genutzten Technologien, allen voran das Maschinelle Lernen, sollen die Programmierung erleichtern und autonomer machen.

Die Partner im Forschungsprojekt »Rob-aKademI«, darunter das Institut für Industrielle Fertigung und Fabrikbetrieb IFF der Universität Stuttgart und das Fraunhofer IPA, entwickeln Technologien, die die Roboterprogrammierung für Montageaufgaben vereinfachen und mehr automatisieren sollen. Grundlage hierfür ist ein rein digitales Abbild, also ein digitaler Zwilling, der Produktionsumgebung. Dieses Abbild verbunden mit einem speziellen Programmiergerüst wird in einer physikalischen Simulationsumgebung genutzt, um Roboter Fähigkeiten für das flexible Montieren lernen zu lassen. Roboter erkunden in der Simulationsumgebung autonom ihre Umgebung, planen darauf aufbauend ihr Verhalten und optimieren es selbstständig bzw. lernen fortlaufend.

Genutzt wird hierfür Künstliche Intelligenz (KI), und genauer maschinelles Lernen und dessen Teilgebiet des sogenannten »Reinforcement Learning« (RL). Dieses meint, dass ein Algorithmus ähnlich dem Menschen nach dem Prinzip Versuch und Irrtum lernt. Er erhält ein Belohnungssignal für eine gelungene Aktion, um schrittweise besser zu werden.

Pressemitteilung

Presseresonanz

Anwendungsfälle wie die Bestückung von Leiterplatten erfordern hohe Positioniergenauigkeiten; Quelle: ArtiMinds Robotics GmbH
Anwendungsfälle wie die Bestückung von Leiterplatten erfordern hohe Positioniergenauigkei-ten; Quelle: ArtiMinds Robotics GmbH

Ziel des Forschungs- und Entwicklungsprojektes zur KI-basierten Roboterkalibrierung (KIRK) ist es, durch Maschinelles Lernen neue softwaregetriebene Kalibriermethoden für Industrieroboter zu entwickeln, um deren Genauigkeit zu erhöhen. Initiatoren des Gemeinschaftsprojekts sind das IFF der Universität Stuttgart, die DHBW Karlsruhe und der Softwarehersteller ArtiMinds Robotics.

Das Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart und das Robot-and-Human-Motion-Lab (RaHM-Lab) der Dualen Hochschule Baden-Württemberg Karlsruhe übernehmen im Projekt die Grundlagenforschung.

Pressemitteilung von ArtiMinds Robotics

Presseresonanz im Internet

Artikel in den VDI-Nachrichten

Artikel in der Automationspraxis

In der Lehre liegt der Fokus auf der Vermittlung von KI-Methoden aus dem Bereich des maschinellen Lernens und der Planung. Den Studierenden wird aufgezeigt, wie diese Methoden zur Verbesserung von Produktionsprozessen eingesetzt werden können. Neben der Vermittlung theoretischer Konzepte, werden auch praktische Anwendungsfälle betrachtet.

Veranstaltungen

Publikationen des Bereichs Kognitive Produktionssysteme

  1. M. Huber and U. Eberl, “Schwerpunkt Künstliche Intelligenz (Rezensionen),” Physik Journal, vol. 19, no. 4, Art. no. 4, 2020.
  2. M. Huber, “Lernen aus der Black Box : Cognitive Deep Learning soll neuronale Netze und Wissensverarbeitung kombinieren,” Physik Journal, vol. 19, no. 4, Art. no. 4, 2020.
  3. M. Kaufmann, I. Effenberger, and M. Huber, “Computed Tomography enabling Virtual Assembly,” The Web’s Largest Open Access Database of Nondestructive Testing (NDT), p. 10+16Folien, 2020.
  4. M. Huber, “Spielerisch besser,” in A&D Kompendium 2019/2020 : Die Macher der Automation, München: Publish-Industry Verlag, 2019, pp. 214--215.
  5. A. Mayer-Grenu and M. Huber, “Selbstoptimierung in der Fabrikhalle,” Forschung Leben : Das Magazin der Universität Stuttgart, no. 12, Art. no. 12, 2019.
  6. M. Huber, B. Spaeth, and D. Stock, “Neues KI-Zentrum in Stuttgart,” WGP-Newsletter, p. 4, 2019.
  7. K. Pfeiffer and M. Huber, “Mobile Robotik, KI und die Cloud : Eine gemeinsame Betrachtung,” Automationspraxis, no. 8, Art. no. 8, 2019.
  8. K. Kleeberger, M. Huber, and A. Wolf, “Mit Simulationen schneller zur Anwendung,” Fabriksoftware : Die digitale Fabrik realisieren, no. 2, Art. no. 2, 2019.
  9. W. Kraus, B. Winkler, and M. Huber, “Maschinelle Lernverfahren für Roboteranwendungen,” atp magazin : Transforming Automation, no. 1–2, Art. no. 1–2, 2019.
  10. M. Huber, “Machine Learning für Produktion und Robotik,” Automationspraxis, vol. 2019, no. 11, Art. no. 11, 2019.
  11. M. Huber and N. Schaaf, “Extraktion von Erklärungen zu Produktionsprozessen aus künstlichen Neuronalen Netzen,” in Blick in die Blackbox : Nachvollziehbarkeit von KI-Algorithmen in der Praxis, Berlin, 2019, pp. 62--72.
  12. M. Huber, “Daten sind der Schlüssel für maschinelles Lernen : Künstliche Intelligenz ermöglicht vorausschauende Wartung und neue datenbasierte Dienstleistungen,” mav : Innovation in der spanenden Fertigung, 2019, [Online]. Available: https://mav.industrie.de/peripherie/software/daten-sind-der-schluessel-fuer-maschinelles-lernen/.
  13. M. Huber, “Daten als Schlüssel für maschinelles Lernen : Zentrum für Cyber Cognitive Intelligence (CCI) am Fraunhofer IPA hilft beim Einstieg,” Automationspraxis, no. 1–2, Art. no. 1–2, 2019, [Online]. Available: https://automationspraxis.industrie.de/industrie-4-0/machine-learning-daten-sind-schluessel-fuer-maschinelles-lernen/.
  14. M. Huber, Ed., “Data are the key,” in Automatica 2020 : The Leading Exhibition for Smart Automation and Robotics, München, 2019, p. 2.
  15. N. El Bekri, J. Kling, and M. Huber, “A Study on Trust in Black Box Models and Post-Hoc Explanations,” in 14th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2019) : Proceedings. 13-15 May 2019, Seville, Spain, Cham, 2019, p. 10.
  16. M. El-Shamouty, K. Kleeberger, A. Lämmle, and M. Huber, “Simulation-driven machine learning for robotics and automation,” TM Technisches Messen : Plattform für Methoden, Systeme und Anwendungen in der Messtechnik, no. |TOnline31.08.2019, Art. no. |TOnline31.08.2019, 2019, doi: 10.1515/teme-2019-0072.
  17. K. Kleeberger, C. Landgraf, and M. Huber, “Large-scale 6D Object Pose Estimation Dataset for Industrial Bin-Picking,” in 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems. November 4-8, 2019, Macau, China, Piscataway, NJ, USA, 2019, p. 6, [Online]. Available: http://www.bin-picking.ai/en/dataset.html.
  18. P. Dunau, M. Huber, and J. Beyerer, “Gaussian Process based Dynamic Facial Emotion Tracking,” in 2019 IEEE International Conference on Industrial Cyber Physical Systems : Proceedings. 06-09 May, 2019, Taipei, Taiwan, 2019, pp. 248--253, doi: 10.1109/ICPHYS.2019.8780338.
  19. N. Burkart, P. M. Faller, and M. Huber, “Forcing Interpretability for Deep Neural Networks through Rule-based Regularization,” in 18th International Conference on Machine Learning and Applications : December 16-19, Boca Raton, Florida, USA, Boca Raton, 2019, pp. 700--705, doi: 10.1109/ICMLA.2019.00126.
  20. M. Huber, “Fallstudie: Predictive Maintenance,” in Data Science : Grundlagen, Architekturen und Anwendungen, Heidelberg: dpunkt.verlag, 2019, pp. 225--244.
  21. N. Schaaf, J. Maucher, and M. Huber, “Enhancing Decision Tree based Interpretation of Deep Neural Networks through L1-Orthogonal Regularization,” in 18th International Conference on Machine Learning and Applications : December 16-19, Boca Raton, Florida, USA, Boca Raton, 2019, pp. 42--49, doi: 10.1109/ICMLA.2019.00016.
  22. M. U. Khalid, J. Hager, W. Kraus, M. Huber, and M. Toussaint, “Deep Workpiece Region Segmentation for Bin Picking,” in IEEE CASE 2019 : 15th IEEE International Conference on Automation Science and Engineering. 22 to 26 August 2019, Vancouver, Canada, Piscataway, NJ, USA, 2019, pp. 1138--1144, doi: 10.1109/COASE.2019.8843050.
  23. P. Dunau, M. Huber, and J. Beyerer, “Comparison of Angle and Size Features with Deep Learning for Emotion Recognition,” in Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications : 23rd Iberoamerican Congress on Pattern Recognition. November 19-22, 2018, Madrid, Spain, Cham, 2018, pp. 602--610, doi: 10.1007/978-3-030-13469-370.
FORSCHUNG LEBEN berichtet

Im Universitätsmagazin FORSCHUNG LEBEN erschien in der Frühjahrsausgabe 2019 ein umfangreicher Artikel über die Forschungsarbeiten zur Künstlichen Intelligenz an der Universität Stuttgart. Redakteurin Andrea Mayer-Grenu besuchte auch die IFF-Abteilung Kognitive Systeme und ließ sich von Professor Marco Huber erklären, was es mit KI auf sich hat.

Artikel in FORSCHUNG LEBEN

Dieses Bild zeigt  Marco Huber
Univ. Prof. Dr.-Ing.

Marco Huber

Stellvertretender Institutsleiter, Bereichsleiter Kognitive Produktionssysteme

Zum Seitenanfang