Die HKA - Die Hochschule Karlsruhe : FEATHER

FEATHER

Im Projekt FEATHER (Federated Embodied AI Technology Harmonizing Efficient Robotics) forscht ein interdisziplinäres Team der HKA daran, durch föderiertes maschinelles Lernen robotische Systeme verschiedener Unternehmen zu trainieren – direkt vor Ort und ohne Weitergabe sensibler Daten.

V. l. n. r.: Christian Friedrich, Björn Hein, Christian Zirpins und Oliver Waldhorst

Motivation

Die Kompetenz deutscher Unternehmen im Bereich der Produktionstechnik sowie dem Maschinenbau ist ein wichtiges Zahnrad in der europaweit stärksten Wirtschaft. Das Projekt FEATHER knüpft an diesen Erfolgen an und untersucht Möglichkeiten für eine einheitliche datenschutzkonforme Modernisierung industrieller Robotik. Durch den Einsatz von föderiertem Lernen wollen wir komplexe Produktionsroboter-Interaktionen zu einer Unternehmensgrenzen überwindenden Herausforderung machen, um diese Probleme kooperativ zu lösen.

Projektziele und Methoden

Ein Hauptproblem bei maschinellem Lernen in Industrieszenarien ist die Knappheit von qualitativ hochwertigen Daten. Das Paradigma des föderierten Lernens stellt sich dieser Herausforderung, indem Unternehmen kooperativ ihre Algorithmen verbessern. Dies geschieht ohne die Offenlegung interner Firmendaten und schützt somit interne Prozesse und Geheimnisse. Ein Ziel von FEATHER ist es, eine einheitliche Plattform zu entwickeln, die Produktionsunternehmen genau eine solche Kooperation ermöglicht.

Am Beispiel von sogenannten Soft-Endeffektoren wird das Szenario genauer betrachtet. Bei Soft-Endeffektoren handelt es sich um flexible Werkzeughalterungen für Robotergreifer, die durch ihre Beschaffenheit eine größere Aufgabenadaptivität im Vergleich zu starren Halterungen bieten. Die Planung von Bewegungsabläufen ist durch die flexible Materialbeschaffenheit bei solchen Endeffektoren schwierig zu berechnen. Weiterhin ist der Einsatz solcher Werkzeughalterungen eher eine Seltenheit als die Norm. Demnach bietet sich hiermit ein perfektes Evaluationsszenario, um einerseits Fortschritt im Bereich der physikalischen Robotik und andererseits Fortschritt im Themengebiet des föderierten Lernens zu schaffen.

Die einheitliche Plattform für föderiertes Lernen soll moderne Berechnungsparadigmen wie Cloud, Edge und Fog integrieren, um die Anforderungen zu erfüllen. Außerdem werden standardisierte Ansätze für die Kommunikationsinfrastruktur und die Organisation verteilter Ressourcen eingebunden. Diese Integration ermöglicht es, dass selbst Unternehmen mit unterschiedlichen IT-Infrastrukturen nahtlos an föderierten Lernprozessen teilnehmen können. Durch die Nutzung von Edge- und Fog-Computing wird die Datenverarbeitung näher an den Entstehungsort der Daten verlagert, was die Latenz reduziert und die Effizienz steigert. Die Cloud-Komponente gewährleistet dabei Skalierbarkeit und zentrale Koordination.

Innovationen und Perspektiven

Hochgradig anpassungsfähige Robotersysteme sind entscheidend für die Zukunft der Industrie. Statt starrer, spezialisierter Roboter brauchen wir Systeme, die sich autonom an neue Produkte und Prozesse anpassen können. Durch die Integration von föderiertem Lernen lassen sich robustere Steuerungsalgorithmen entwickeln, die es Robotern ermöglichen, schneller und effizienter in vielfältige Produktionsszenarien eingebunden zu werden.

Für den Erfolg von produktionsorientiertem föderiertem Lernen sind innovative Kommunikations- und Orchestrierungstechnologien unerlässlich. Der Fokus liegt auf der Integration von Edge- und Fog-Computing-Paradigma, um Datenverarbeitung näher an den Entstehungsort zu verlagern, was Latenz reduziert und die Effizienz steigert. Standardisierte Kommunikationsprotokolle und Orchestrierungswerkzeuge gewährleisten dabei eine nahtlose Interaktion zwischen heterogenen Maschinen und Systemen.

Um föderiertes Lernen in der Produktion erfolgreich zu implementieren, sind wichtige Erfahrungswerte zu berücksichtigen. Die Heterogenität der Datenquellen erfordert robuste Aggregationsmechanismen, und die Plattform muss skalierbar sein, um eine Vielzahl dezentraler Endpunkte zu verwalten. Entscheidend ist auch die Datensouveränität: Unternehmen müssen darauf vertrauen können, dass ihre sensiblen Produktionsdaten geschützt bleiben und nur notwendige Modellinformationen geteilt werden.