TOSCA

Traditionelle Automatisierung eignet sich besonders gut für repetitive Tätigkeiten. Sie stößt aber bald an ihre Grenzen sobald Roboter mit dem Menschen zusammenarbeiten sollen. Gerade das Feld der Mensch/Roboter-Kooperation gewinnt jedoch immer größere Bedeutung in Zeiten von Individualisierung und geringer Losgröße.

Um unter diesen Bedingungen kurze Setup-Zeiten zu ermöglichen muss der Roboter Tätigkeiten durch Zusehen erlernen können. Aufbauend auf den Ergebnissen des Vorgängerprojektes sollen daher Methoden erforscht werden um visuelle Information von Objekten mit Roboterbewegungen in Einklang zu bringen.

Dazu werden leistungsvolle auf „deep learning“-basierende 2D-Bildverarbeitungsalgorithmen mit aktuellen Entwicklungen im Bereich des „reinforcement learning “ synergetisch kombiniert.

Die wesentlichen Forschungsziele im Projekt sind:

• Visuelles Verstehen eines demonstrierten Prozesses durch „deep neural networks“ mit Unterstützung durch instrumentierte Werkzeuge.
• Generalisieren des Prozesswissens durch “deep reinforcement learning“.
• Synthese von Bewegungen für neue Teile mittels Movement Primitives.

Projektname:
LERN4MRKII: Erweitertes Modellieren, Erlernen und Abstrahieren von Prozessen für die Mensch-Roboter Kooperation.

Förderung:
AIT Strategisches Forschungsprogramm

Laufzeit:
01.01.2019 – 31.12.2019

Ziel des Projektes ist die intuitive Programmierung von Robotern für komplexe Montageprozesse mit natürlichen Kommunikationsmethoden durch Nicht-Experten. Damit Robotersysteme von einem nicht fachkundigen Benutzer lernen können, sollte das Robotersystem zunächst die Absicht des Benutzers verstehen. In diesem Projekt werden menschliche Absichten sowohl durch die verbale Kommunikation als auch durch die Beobachtung menschlicher Aktionen verstanden. Um die menschlichen Absichten durch Sprachkommunikation zu erkennen, wird PROFACTOR zusammen mit LIFEtool an der Entwicklung einer neuen Kommunikationsschnittstelle für Roboter arbeiten. LIFEtool mit seinem umfangreichen Wissen über Online- und Offline-Spracherkennungstechnologien wird PROFACTOR bei der Entwicklung einer Schnittstelle unterstützen, um die Sprachkommunikation zwischen Menschen und Roboter zu ermöglichen. Des weiteren wird PROFACTOR ein „portables“ Aktivitätserkennungssystem entwickeln, das in der Lage ist, menschliche Aktionen mit Hilfe von kostengünstigen Sensoren zu erkennen. Dabei wird auch eine Machbarkeitsstudie durchgeführt, um die Anwendbarkeit eines solchen Systems zur Erkennung von Aktivitäten/Gesten auf andere Fachbereiche (Gesundheitswesen) teilweise zu validieren. Der Vorteil eines solchen Moduls wäre seine Anwendbarkeit auf verschiedene Szenarien, die das Verständnis menschlicher Absichten erfordern.

PROFACTOR kombiniert zwei Strategien um das Ziel, dass Nicht-Experten Robotersysteme einfach neue Prozesse anlernen können, zu erreichen. Zunächst wird ein ‚Lernen durch Interaktion‘ Framework entwickelt, in dem der Roboter dem Benutzer während des Lernprozesses eine Reihe von intelligenten Vorschlägen unterbreitet. Der Roboter nutzt seine Fähigkeiten zur Wissensmodellierung und Argumentation und berücksichtigt die „aktuelle Situation“ (mit dem Aktivitätserkennungssystem erkannt) der Montageumgebung, um diese Vorschläge zu unterbreiten. Anschließend wird ein ‚Lernen durch Instruktion‘ Framework entwickelt, das die Verwendung von „Natural Language“ als Kommunikationsmodus zwischen dem Benutzer und dem Roboter ermöglicht. Beide Frameworks werden dann zu einem bidirektionalen Kommunikationskanal zwischen dem Anwender und dem Roboter kombiniert, um Feedback zu geben oder den Montageprozess (ganz oder teilweise) neu zu erlernen.

Projektname:
BRIDGE – HUMAN ROBOT INTERACTION (TEACHBOTS)

Industrieprojekt

Laufzeit:
04.2019 – 12.2020

Partner:

Profactor GmbH

LIFEtool GmbH

Der Paradigmenwechsel von der Massenproduktion zur Massenanpassung führt dazu, dass Produktionssysteme mehr Produktvariationen, kleinere Lebenszyklen und kleinere Losgrößen bewältigen können. Die Robotik wird einer der Hauptverantwortlichen für diesen Übergang zur transformierbaren Fabrik von morgen sein. Mit dem demografischen Wandel im verarbeitenden Gewerbe haben die Fortschritte in der Mensch-Roboter-Interaktion in der Industrie viele Formen angenommen. Allerdings ist das Thema der Reduzierung des Programmieraufwands, den ein Experte durch den Einsatz natürlicher Kommunikationswege benötigt, noch offen.  Ziel des Projekts ist es, die Aspekte des Lernens durch Demonstration, des Lernens durch Programmierung und des Lernens durch Interaktions-Methodologien in einem zielgerichteten Montageprozess zu kombinieren, um das Problem der einfachen Programmierung von Roboteraufgaben zu lösen. Das Ziel wird in zwei Phasen erreicht. In Phase 1 erfasst das Robotersystem eine schnelle, aber allgemeine Darstellung des Montageprozesses (AP), indem es die menschliche Demonstration der Aufgabe beobachtet. In Phase 2 erlernt das Robotersystem mit Unterstützung einer intelligenten Benutzerinteraktion die spezifischen Parameter und führt die Aufgaben zur Fertigstellung des AP durch.  Diese Kombination führt zu einer schnelleren Programmierphase, die präziser als nur Demonstrationen und intuitiver als nur über eine GUI ist.

Projektname:
ASKROB

Förderung:
AIT Strategic Research Program

Laufzeit:
01.2019 – 12.2019

Keywords: Mensch-Roboter-Kollaboration; Programmierung durch Demonstration; Künstliche Intelligenz

Projektname:
PlugBot – Plug and Produce Robotic Building Blocks

Förderung:
FFG –  Produktion der Zukunft (28. Ausschreibung)

Laufzeit:  
1.04.2019 – 31.12.2021

Kurzvorstellung: https://www.youtube.com/watch?v=AKxSrTHv72M

Usecases: https://www.youtube.com/watch?v=-p-Q1Au-iHE

Heterogene Robotersysteme, wie zum Beispiel mobile Manipulatoren oder Spritzgussmaschinen mit integriertem Robotersystem, sind komplex in Aufbau, Programmierung und Betrieb, da unterschiedliche Komponenten beim Anlagenbetreiber integriert und sicher funktionieren müssen. Hauptziel dieses Projektes ist die Umsetzung eines modularen Roboterbaukastensystems, das während der Programmierung von Experten und bei der Bedienung durch nicht speziell geschultes Personal verwendet wird um heterogene Robotersysteme umzusetzen und integriert zu betreiben. Der gewählte Ansatz umfasst die Entwicklung von standardisierten Schnittstellen, die Entwicklung eines Konfigurations- und Programmierframeworks, innovativen Bedienmerkmalen für ungeschulte Bediener, sowie die Entwicklung von Sicherheitskonzepten und Sicherheitssensoren die den sicheren und produktiven Betrieb derartiger Roboteranlagen ermöglichen. Dabei wird auf die Kooperation zwischen Mensch und Roboteranlage besonderes Augenmerk gelegt. Die Projektergebnisse werden, um die universelle Anwendbarkeit zu demonstrieren, in mehreren sehr unterschiedlichen anwendungsnahen Szenarien demonstriert.

Ziele

Im Projekt PlugBot werden Systeme entwickelt, die modular sind, über standardisierte Schnittstellen kommunizieren, und flexibler und einfacher zu programmieren sind.

Projektziele Z1-Z5 im Detail:

• Z1. Interoperabilität heterogener Systeme verbessern
  • Schnittstellen und Informationsmodelle für heterogene Robotersysteme basierend auf offenen industriellen Kommunikationsstandards und herstellerunabhängig kombinierbare Robotersysteme umsetzen.
• Z2. Programmierung heterogener Robotersystemen erleichtern
  • Konfigurations- und Programmierumgebung für Robotersysteme mit heterogener Hardwarearchitektur entwickeln.
• Z3. Intuitive Inbetriebnahme ermöglichen
  • Innovative Bedienkonzepte für heterogene Robotersysteme erforschen
• Z4. Sicherheit heterogener Robotersysteme gewährleisten
  • Innovative Sicherheitskonzepte und ihre Umsetzung für heterogene Robotersysteme erarbeiten
• Z5. Gewährleistung der Brauchbarkeit
  • Umsetzung dreier industrienaher Usecases

Ergebnisse

Demonstratoren bei SonyDADC und Lenze Operations Austria GmbH

Demonstratoren bei WB Wittmann Group Holding GmbH

Publikationen

Beiträge in relevanten fachspezifischen Publikationen

Industriemagazin

KunststoffWeb

Polimerica

plasticker

Kunststoffe.de

Wissenschaftliche Publikationen

SPITZER, Fabian, et al. A generic Approach for the Industrial Application of Skill-based Engineering using OPC UA. In: 2020 25th IEEE International Conference on Emerging Technologies and Factory Automation (ETFA). IEEE, 2020. S. 1671-1678.

FUHRMANN, Ferdinand, et al. Multimodal Interaction in the Production Line-An OPC UA-based Framework for Injection Molding Machinery. In: Proceedings of the 2021 International Conference on Multimodal Interaction. 2021. S. 837-838.

Michael Hofmann, Matthias Propst, Andreas Pichler, Fabian Spitzer, Roman Froschauer, Markus Ikeda, An easy to use Skill Framework using OPC UA implemented in C++ and C#: A Case Study, FAIM2022

Georg Weichhart and Matthias Propst and Markus Ikeda and Roman Froschauer, PlugBot Tools for Modular Manufacturing, I-ESA22