| Thema | Künstliche Intelligenz, Automatisierung, Fahrerlose Transportfahrzeuge |
|---|---|
| Projekttitel | Imitation Learning zum Transfer menschlicher Fähigkeiten auf Flurförderzeuge (LernFFZ) |
| Laufzeit | 01.12.2023 – 30.11.2026 |
Flurförderfahrzeuge (FFZ) können Ladungsträger, wie zum Beispiel eine Palette, in Logistikumgebungen automatisiert transportieren. Für die automatisierte Lastaufnahme ist allerdings eine ausreichend genaue, auf den Prozess abgestimmte Positionierung und Ausrichtung der Ladungsträger erforderlich. Komplexe Situationen bei der Ein- und Auslagerung, bei denen automatisierte Systeme bisher an ihre Grenzen stoßen, lösen menschliche Fahrer*innen meist problemlos – aufgrund ihrer Fähigkeiten wie Flexibilität, Handlungsschnelligkeit, Auffassungsgabe und Erfahrung.
Im Forschungsprojekt LernFFZ sollen eben diese Fähigkeiten, die bisher Menschen vorbehalten sind, dank Künstlicher Intelligenz (KI) erstmals auf automatisierte FFZ übertragen werden. Zu diesem Zweck wird das implizite Wissen geübter Fahrer*innen mittels Informationsfusion von Fahrdatenaufnahme und Umgebungserfassung aufgenommen und formalisiert. Darauf aufbauend wird die KI eines teilautomatisierten FFZ ertüchtigt, Fahrbewegungen auf Basis des impliziten Wissens geübter Fahrer (Imitation Learning) vorzugeben und selbstständig durchzuführen.
Das IPH entwickelt im Rahmen des Forschungsprojekts LernFFZ auf Basis einer intralogistischen Simulationsumgebung synthetische Trainings-Datensätze, welche das Expertenwissen mithilfe eines Simulators aufnehmen und widerspiegeln. Desweiteren unterstützt das IPH bei der Entwicklung der Imitation-Learning-Algorithmen sowie der simulationsbasierten Evaluation dieser Algorithmen.
Veröffentlichungen zum Projekt
In dieser Arbeit werden die Herausforderungen der Vollautomatisierung des innerbetrieblichen Waren-transports in Umgebungen untersucht, in denen manuell geführte Flurförderzeuge aufgrund von undefinierten Positionen und Formen der Ladungsträger weiterhin notwendig sind. Imitation Learning (IL) wird als eine vielversprechende Lösung für die Fahrzeugsteuerung bei sich wiederholenden Aufgaben identifiziert, jedoch wird seine Anwendung in der Intralogistik durch die Komplexität der Dynamik von Flurförderzeugen und dem großen abzubildenden Dimensionsraum erschwert. Es wird ein Robot Operating System 2 (ROS2) Framework vorgestellt, dass die Erfassung von Experten Fahrdaten sowohl aus Simulationsumgebungen als auch von realen Demonstrator Fahrzeugen ermöglicht. Darüber hinaus wird eine Netzwerkarchitektur präsentiert, die ein Convolutional Neural Network (CNN) mit einem nachgeschalteten Long Short-Term Memory (LSTM) Netzwerk kombiniert, um aus Bild- und Geschwindigkeitsdaten sowohl räumliche als auch zeitliche Informationen zu erlernen. Evaluiert wird die Effektivität des Frameworks anhand eines Datensatzes mit Expertenfahrmanövern, wobei das Generalisierungspotential des trainierten Netzes für die Fahrzeugsteuerung bewertet wird. Ziel der Arbeit ist es, den Nutzen des vorgeschlagenen Frameworks für die Datenerfassung zu demonstrieren und IL als Steuerungsansatz für Flurförderzeuge zu validieren
Imitationslernen, Flurförderzeug-Automatisierung, Intralogistik, ROS2, Lasthandhabung
Automatisierte Flurförderzeuge meistern schwierige Fahrsituationen schlechter als Menschen – noch. Neue Ansätze auf Basis von Künstlicher Intelligenz (KI) sollen das menschliche Fahrverhalten nachbilden und automatisierten Systemen mehr Flexibilität verleihen.
FFZ, Künstliche Intelligenz, Intralogistik,
