3 oktober 2023

Zelfstandig en flexibel werkende robots worden alom gezien als de sleutel tot een productieve toekomst voor de industrie, logistiek en verwante economische sectoren. Máár om robots, aangestuurd door AI (Artificial Intelligence), te leren om van elkaar te leren, dat is nog niet zo eenvoudig. Hiervoor zijn grote hoeveelheden data nodig, die lang niet bij alle gebruikers voorhanden zijn. Bovendien moeten alle beschikbare data daarbij worden gedeeld, ook strikt vertrouwelijke. Toch is het mogelijk om robots van verschillende bedrijven of bedrijfsonderdelen op verschillende locaties van elkaar te laten leren zónder individuele bedrijfsgeheimen prijs te geven. Het Flairop-project wijst ’t uit.

In het Flairop-project, twee jaar geleden gestart en nu afgerond, hebben Duitsland en Canada onderzocht hoe robots zijn te trainen in het delen van gegevens, zonder dat de deelnemers gevoelige bedrijfsgegevens vrij moeten geven. ‘Bij conventionele machine-learningmethoden worden alle gegevens verzameld en wordt de AI getraind op een centrale, gedeelde server. Bij het gezamenlijk, maar lokaal gescheiden leren, het zogeheten federatief leren, met verschillende stations op verschillende locaties of zelfs van meerdere bedrijven worden alleen de lokale parameters van de neutrale netwerken naar een centrale server verzonden. Grippunten, afbeeldingen en andere minder abstracte gegevens en informatie worden niet uitgewisseld’, aldus onderzoeksleider Maximilian Gilles van het Institute for Materials Handling and Logistics Systems (IFL). Dit instituut maakt deel uit van de Faculty of Mechanical Engineering van het Karlsruhe Institute of Technology (KIT).

Tijdens de training in het kader van het Flairop-project is de input vanuit alle lokale stations op de centrale server verzameld en gecombineerd met behulp van algoritmen. De verbeterde versie is daarna teruggestuurd naar de verschillende stations. Met deze verbeterde versie is lokaal verder getraind met inzet van lokale gegevens. Dit gehele proces is meerdere keren herhaald om tot het meest nauwkeurige en robuuste ‘leerresultaat’ te komen.

Voor de training zijn in totaal vijf autonome stations opgezet: twee bij het IFL in Karlsruhe en drie in Esslingen am Neckar, bij een Duitse vestiging van Festo, een internationale onderneming in automatiserings- en sturingstechniek. ‘We zijn blij dat we hebben kunnen laten zien dat robots van elkaar kunnen leren zonder gevoelige gegevens en bedrijfsgeheimen te delen’, zegt dr. Jan Seyler, hoofd Advanced Development Analytics and Control bij Festo ‘Hierdoor kunnen we de gegevens van onze klanten beschermen en winnen we ook aan snelheid doordat de robots op deze manier veel taken sneller kunnen overnemen. De collaboratieve robots kunnen bijvoorbeeld productiemedewerkers ondersteunen met repetitieve, moeilijke en vermoeiende taken’.

Het Flairop-project heeft weliswaar z’n beslag gekregen, maar Maximilian Giles en zijn team willen graag vervolgonderzoek doen. Ze willen hun leersysteem dermate verder ontwikkelen dat ’t kan dienen als platform voor verschillende bedrijven om samen, in de praktijk, hun robotsystemen te trainen zonder vertrouwelijke data te delen. Industriële bedrijven en onderzoeksinstellingen die willen participeren in dit verdere onderzoek, melden zich bij Maximilian Giles van het IFL.

• Foto: dataveilige training van gripper-robots tijdens het Flairop-onderzoeksproject, © Amadeus Bramsiepe, KIT.