Alle Stories
2 min

Mensch oder Regal – Künstliche Intelligenz für AGVs

Selbstfahrende Fahrzeuge müssen sich in Zukunft autonom im Warenlager zurechtfinden. Die KION Group arbeitet in einem Forschungsprojekt mit der Universität Freiburg daran, die Sehnerven des Staplers zu schärfen. Dafür setzen die Entwickler auf Deep Learning.

2019-07-05

Wodurch unterscheidet sich eigentlich ein Mensch von einem Rollcontainer? Nein, das ist keine alberne Frage. Zumindest nicht für einen autonomen Stapler, dessen künstliche Intelligenz beigebracht bekommen soll, den Aufbau und die Elemente eines typischen Warenlagers zu verstehen – damit das Fahrzeug seinen eigenen Weg durch das Warenlager finden kann. Dabei muss es mindestens schemenhafte Umrisse identifizieren und darf sich nicht durch optische Täuschungen in die Irre führen lassen.

Mit den Wissenschaftlern der Universität Freiburg und den Sensorspezialisten der Sick AG suchen die Ingenieure der CTO-Organisation in dem Projekt gemeinsam nach Modellen, wie eine „Künstliche Intelligenz“ Objekte erkennt – und dafür so wenig Parameter wie möglich benötigt. „Wir benutzen dazu Deep Learning-Verfahren, die sind sehr mächtig in der Erkennung von Objekten und auch der Grund, warum derzeit in so vielen Branchen ein Hype auf dem Thema Künstliche Intelligenz liegt“, sagt Patrick Erbts, Projektleiter für das Projekt. Deep Learning bezeichnet bestimmte Optimierungsmethoden, mit denen neuronale Netze jene Aufgaben mathematisch lösen können, die der Mensch „intuitiv“ löst.

Beste Ergebnisse trotz eingeschränkter Ressourcen

Bei autonomen Flurförderzeugen kommt eine weitere Herausforderung hinzu: „Alle bisher bekannten Deep-Learning-Methoden sind sehr rechenintensiv“, so Erbts. „Auf unseren Fahrzeugen fährt aber kein Hochleistungsrechner mit, wir sind in den Ressourcen beschränkt.“ Selbst wenn man davon ausgeht, dass Computer auch in Zukunft weiter an Rechnerleistung gewinnen, ist es sinnvoll, sich Gedanken zu machen über Methoden, die mit den an Bord verbauten Computerchips möglich sind.

Ein Vorteil, den die Intralogistik dabei den Automobilfirmen voraus hat, die ebenfalls eifrig an der Objekterkennung arbeiten: Ein Warenlager hat einen großen Stamm an immer wiederkehrenden Elementen – Regale, Mitarbeiter, Lagertechnikgeräte, und so weiter. „Allerdings herrschen in Lagerhallen oft sehr unterschiedliche Lichtverhältnisse“, fügt Erbts hinzu. Das kann eine Herausforderung für die neuronalen Netze sein.

Auf unseren Fahrzeugen fährt kein Hochleistungsrechner mit, wir sind in den Ressourcen beschränkt.

Patrick Erbts

Aktuelle Systeme können kaum unterscheiden

Bereits eine veränderte Kameraposition oder eine dunkle Ecke können dazu führen, dass das neuronale Netz Objekte falsch erkennt. „Daher sollen Daten aus verschiedenen Sensoren fusioniert werden“, sagt Erbts, „zum Beispiel Laserscanner und Kameras.“ Neben der Ressourcenfrage und den unterschiedlichen Sichtverhältnissen ist diese Kombination von Sensoren der dritte große Teilbereich des Projekts. Aktuell bremsen selbstfahrende Lagerfahrzeuge meist ganz generell ab, wenn sich ein Objekt in den Scannerbereich hinein bewegt – dabei kann das System aber nicht unterscheiden, ob es sich um einen Menschen oder eine flatternde Plastikplane handelt. Das soll sich dank des Projekts erheblich verbessern.

„Deep PTL“ lautet der Name der Forschungskooperation, eine Wortkombination aus „Deep Learning“ und dem Akronym für Produktion, Transport und Logistik. Die Kooperation wurde im September 2018 gestartet und soll voraussichtlich bis Anfang 2022 laufen.

Aktuell steht im Vordergrund, die notwendigen Daten zu generieren. Diese sind besonders für das Training des neuronalen Netzes und dessen Weiterentwicklung notwendig. Dazu wurde eigens eine mobile Plattform entwickelt, die mit modernster Sensortechnik ausgestattet ist. Sie wird manuell durch verschiedene Lager- und Produktionshallen gefahren, um dort hochqualitative Datensätze „einzusammeln“. Zunächst sind erste Versuche u.a. bei STILL geplant. Die Plattform soll in Zukunft aber auch bei Kunden zum Einsatz kommen, um möglichst vielfältige Daten zu erhalten.

Eine der Fragen, die dann geklärt sein sollen, ist auch, wie exakt ein Flurförderzeug überhaupt klassifizieren muss: Reicht es, wenn es erkennt, dass sich vor ihm ein sich bewegendes Objekt befindet – unabhängig davon, ob es sich um einen Menschen oder einen anderen Stapler handelt? Vor dem Hintergrund ressourcenbeschränkter Rechenkapazität der Fahrzeugcomputer wird das zu einer spannenden Aufgabe. „Forschung heißt immer auch, unbekanntes Terrain zu betreten“, bekräftigt Erbts. Und Künstliche Intelligenz sei derzeit ein besonders begehrtes Forschungsthema. „Wir sind mit der KION Group durch dieses Projekt direkt bei der Grundlagenentwicklung dabei. Wir sind am Puls der Zeit.“