Im Rahmen des AIRoVs – The First Austrian Symposium on AI, Robotics, and Vision
25.–27.3.2024, Innsbruck, wurden Preise vergeben. Wir gratulieren!
Wir bedanken uns bei IEEE und dem OVE für die Unterstützung!
Best Research Paper: New Forms of Human-Robot-Collaboration
Hauptautor:
Clara Fischer, Joanneum Research Robotics
Coautoren:
Cecilia Scoccia, Polytechnic University of Marche
Michael Rathmair, JOANNEUM RESEARCH ROBOTICS
Best Student Paper: Unsupervised Learning of Effective Actions in Robotics
Hauptautor (Student):
Marko Zaric, University of Innsbruck
Co-Autoren: Jakob J Hollenstein, Justus Piater, Erwan Renaudo (University of Innsbruck)
Interview: Clara Fischer
New Forms of Human-Robot-Collaboration
Wie lässt sich der Inhalt Ihrer Arbeit in drei Sätzen beschreiben?
In der Industrierobotik befinden wir uns aktuell in einem starken Veränderungsprozess im Bereich der Standardisierung. Eine der wichtigsten Neuerungen dahingehend ist, dass wir in Zukunft nicht mehr von kollaborieren Robotern, sondern nur mehr von kollaborierenden Anwendungen sprechen werden, ausführbar aus einer Mischung von kollaborierenden und weiteren Arbeitsschritten. In unsrer Arbeit haben wir uns diesbezüglich mit den Möglichkeiten der neuen Formen von Mensch-Roboter Kollaborationen beschäftigt, aber auch die Herausforderungen, die daraus für die Gewährleistung der Personensicherheit entstehen, ausgearbeitet.
In welchen Bereichen können die Erkenntnisse aus Ihrer Arbeit zur Anwendung kommen?
Die neue Definition einer Mensch-Roboter Kollaboration bringt mehr Flexibilität und Möglichkeiten für industrielle Anwendungen als je zuvor. Oft gibt es Applikationen, die sich prinzipiell für eine Kollaboration eignen, aber aufgrund von wirtschaftlichen und Sicherheitsaspekten die Umsetzung nicht für alle Arbeitsschritte sinnvoll ist. Durch gemischte Anwendungen können nun die Stärken beider Interaktionspartner, Mensch und Roboter, gezielt eingesetzt und gefördert werden. In unserer Arbeit ist ein Konzept für die sichere Implementierung der Anwendung vorgestellt, mit dem Fokus einer ganzheitlichen Betrachtung. Diese Erkenntnisse dienen als Hilfestellung für die Integration von Mensch-Roboter-Kollaborationen. Eine konkrete Vorgehensweise ist jedoch bewusst nicht enthalten, da die Sicherheit immer von der gesamten konkreten Anwendung abhängig ist.
Was ist zu tun, um die notwendige Vertrauenswürdigkeit für eine verstärkte Mensch-Maschinen-Kollaboration sicherzustellen?
Ich denke, dass eine gute Aufklärung und Transparenz in der Planung sehr wichtig ist. Allen Mitarbeiter:innen muss klar sein, dass die Maschinen als Unterstützung und Entlastung dienen und keine Bedrohung darstellen. Eine frühzeitige Einbindung in Planungs- und Entscheidungsprozessen kann dahingehend hilfreich sein. Gerade der Cobotmarkt ist in den letzten Jahren sehr stark gewachsen. Mitarbeiter:innen können bereits in der Auswahl des passenden Roboters miteinbezogen werde und verschiedene Modelle vorab selbst testen. Die Personen, die später mit der Maschine arbeiten, sollen sich dabei wohlfühlen. Dies betrifft nicht nur die Industrieumgebung. Beispielsweise in der Gastronomie und Hotellerie bieten Serviceroboter ein hohes Potenzial zur Entlastung des aktuellen Personalmangels. Genau in diesen Bereichen, wo wir noch keine Roboter gewohnt sind, ist ein Miteinbeziehen der Betroffenen umso wichtiger. Pilotprojekte mit Testdurchläufen und Umfragen können dahingehen
Interview Marko Zaric
Wie lässt sich der Inhalt Ihrer Arbeit in drei Sätzen beschreiben?
In unserer Arbeit versuchen wir aus der Vielzahl an Möglichkeiten, die ein Roboter, hat eine Aktion auszuführen, auf eine kleine nützliche Sammlung von Aktionen zu beschränken. Wir kategorisieren die Aktionen nach dem Effekt, der Veränderung, die durch die Aktion im Umfeld produziert wird. Wir zeigen in einem kleinen Beispiel, dass eine Handvoll Aktionen aus jeder Effektregion effizienter lernt als naive konventionelle Diskretisierungsmethoden in einem Downstream Reinforcement Learning Setting.
Werden Roboter in absehbarer Zeit sich selbst trainieren können und welche Voraussetzungen braucht es dafür?
Das ist eine sehr schwierige aber interessante Frage. Intuitiv würde ich sagen, ja, weil in kontrolliertem Umfeld es bereits möglich ist, Robotern ein Ziel vorzugeben und die "selbst" trainieren zu lassen, aber es gibt noch viel zu tun. Die Schwierigkeit hier
liegt dabei, wenn die Roboter aus ihrem bekannten Umfeld in das Unbekannte wandern: Kann man diesen Lernprozess dort wieder anstoßen und vor allem auf bereits vergangene ähnliche Erfahrungen aufbauen? Ein wichtiger Aspekt hierbei ist die Möglichkeit, die Welt
sicher erkunden zu können, ohne beschädigt zu werden. Aktuell wird sehr viel in Simulation gearbeitet, um dann die dort gelernten Erfahrungen in die echte Welt übertragen. Ich glaube eine Kombination aus mehreren Forschungsrichtungen der Robotik werden hier die Basis für diese Art von autonom lernenden Robotern bieten:
Sim-to-Real um die Kontrolle über den eigenen Körper in Simulation zu lernen, sicheres und effektives Erkunden der Welt, Modelle der Welt lernen in der sich der Roboter befindet um Dinge vorherzusagen und eine Sammlung an Fähigkeiten lernen die dann verlässlich verwendet werden können um mit der Welt zu interagieren.
In welchen Bereichen können die Erkenntnisse aus Ihrer Arbeit zur Anwendung kommen?
Erkenntnisse aus unserer Arbeit können dazu beitragen diese zuvor erwähnte Sammlung an Fähigkeiten zu erstellen, die dem Roboter helfen, einen verlässlichen Effekt in der Umgebung zu verursachen. Diese Fähigkeiten können dann eines Tages hoffentlich für unterschiedliche Folgeaufgaben verwendet werden, entweder
als Aktion in einem symbolischen Planner oder als Aktion in einem Reinforcement Learning Setting.
Comments