Roboter lernen automatisiert, wie sie ungeordnete Objekte erkennen und greifen
Doris Antensteiner gehört zu den herausragenden Forscher:innen am AIT, die von extern für projektbezogene Forschungsarbeiten angefragt werden. Ein Jahr hat sie daher im Rahmen des Siemens Residency Forschungsprogramms für Siemens gearbeitet. In der konkreten Forschungsarbeit hat sie Roboter trainiert, die Position einzelner Objekte zu bestimmen und sie anschließend zu picken (greifen). Die besondere Herausforderung: die Gegenstände sind ungeordnet und wahllos im Raum verteilt.
Dafür haben Doris Antensteiner (AIT) und ihre Kolleg:innen Algorithmen entwickelt, die den Lernprozess des Roboters automatisiert optimieren. Gemeinsam mit Vincent Dietrich und Michael Fiegert hat sie die Ergebnisse ihrer Arbeit unter dem Titel “The Furtherance of Autonomous Engineering via Reinforcement Learning” veröffentlicht – und den diesjährigen ICINCO Best Paper Award 2021 gewonnen.
Flexible und Dynamische Robotiklösungen
Dynamische, industrielle Fertigungsprozesse führen dazu, dass der Bedarf an Roboterlösungen steigt. Für den Einsatz industrieller Robotersysteme mussten bislang häufig erfahrene und geschulte Ingenieure die Systeme manuell, und für jede spezifische Anwendung neu, konfigurieren – in kosten- und zeitaufwendigen Prozessen. Darüber hinaus scheitern die meisten Systeme, wenn es darum geht, ungeordnete unterschiedliche Objekte sicher zu lokalisieren, zu erkennen und sie anschließend korrekt zu manipulieren (greifen, weiterreichen …).
In ihrem neuartigen Ansatz, der diese Problemstellungen adressiert, implementiert das Team rundum Doris Antensteiner Lernalgorithmen, die die Systeme automatisiert und damit effizient trainieren. Sie sollen künftig zur deutlichen Entlastung klassischer Engineering-Aufgaben beitragen.
Ihre Lösungen sind für eine breite Palette von industriellen Aufgaben und in unterschiedlichen Umgebungen anwendbar, denn die Roboter werden künftig „lernen“, sich an für sie bisher herausfordernde Situationen „anzupassen“. Mit Hilfe der neu entwickelten Lerntechniken werden die Systeme autonom z.B. Greifaufgaben erfüllen können - unabhängig davon, welche Form und Oberflächenstruktur die Objekte haben. Schatten oder Reflexionen werden zukünftig die Qualität ihrer Arbeit ebenso wenig beeinflussen wie die teilweise Verdeckung oder nicht gute Ausleuchtung von Objekten.
Wir gratulieren Doris Antensteiner zu dieser Auszeichnung und freuen uns, sie wieder am AIT willkommen zu heißen.
Mehr Informationen
The Furtherance of Autonomous Engineering via Reinforcement Learning
Antensteiner, D.; Dietrich, V. and Fiegert, M. (2021).
In Proceedings of the 18th International Conference on Informatics in Control, Automation and Robotics - ICINCO, ISBN 978-989-758-522-7; ISSN 2184-2809,
pages 49-59.
DOI: 10.5220/0010544200490059
https://www.scitepress.org/PublicationsDetail.aspx?ID=7W8G07UG9y4=&t=1
Abstract (Englisch)
Engineering efforts are one of the major cost factors in today’s industrial automation systems. We present a configuration system, which grants a reduced obligation of engineering effort. Through self-learning the configuration system can adapt to various tasks by actively learning about its environment. We validate our configuration system using a robotic perception system, specifically a picking application. Perception systems for robotic applications become increasingly essential in industrial environments. Today, such systems often require tedious configuration and design from a well trained technician. These processes have to be carried out for each application and each change in the environment. Our robotic perception system is evaluated on the BOP benchmark and consists of two elements. First, we design building blocks, which are algorithms and datasets available for our configuration algorithm. Second, we implement agents (configuration algorithms) which are designed to intelligently interact with our building blocks. On an examplary industrial robotic picking problem we show, that our autonomous engineering system can reduce engineering efforts.
AIT Center for Vision, Automation & Control
https://www.ait.ac.at/ueber-das-ait/center/center-for-vision-automation-control
AIT Forschungsgruppe High-Performance Vision Systems
https://www.ait.ac.at/themen/high-performance-vision-systems
ICINCO Paper Prize Award
http://www.icinco.org
Kontakt
Dr. DI Mag.ª Doris Antensteiner
ScientistHigh-Performance Vision Systems