Robôs de coleta inteligentes melhoram a compreensão por meio do aprendizado de máquina

Robôs autônomos que podem ser implantados de forma flexível são considerados a chave para a Indústria e a Logística 4.0. O problema: o treinamento de robôs movidos por inteligência artificial (IA) requer volumes de dados muito grandes, disponíveis apenas para poucas empresas. A solução: Robôs de diferentes empresas em locais diferentes aprendem uns com os outros. Pesquisadores do Instituto de Tecnologia de Karlsruhe (KIT) e parceiros desenvolveram agora métodos de aprendizagem federados sem a necessidade de compartilhar dados confidenciais e segredos da empresa.

“Ao usar métodos convencionais de aprendizado de máquina, todos os dados são coletados e a IA é treinada em um servidor central”, diz Maximilian Gilles, do Instituto de Manuseio de Materiais e Logística (IFL) do KIT. A aprendizagem conjunta, mas localmente separada, também conhecida como aprendizagem federada, permite a utilização de dados de formação de várias estações, fábricas ou mesmo empresas, sem que as partes tenham de partilhar dados sensíveis. “Foi assim que treinamos robôs de coleta autônomos para selecionar com segurança artigos que nunca tinham visto antes”, acrescenta Gilles. Pela variedade de objetos armazenados em um armazém, essa é uma tarefa bastante desafiadora, ressalta.

Treinamento sem coleta central de dados

Em 2021, foi lançado o projeto de investigação FLAIROP para o efeito. O treinamento ocorreu sem qualquer troca de dados, como imagens ou pontos de preensão. Em vez disso, os parâmetros locais das redes neurais, ou seja, dados altamente abstraídos, foram transmitidos para um servidor central. Lá, os modelos distribuídos de todas as estações foram agregados com a ajuda de algoritmos. Em seguida, a versão melhorada foi devolvida às estações locais e o treinamento continuou com os dados locais. Este processo foi repetido diversas vezes. “Nossos resultados provam que a aprendizagem federada produz soluções colaborativas robustas de IA para uso em logística sem a necessidade de compartilhar dados confidenciais”, afirma Sascha Rank, do Instituto de Informática Aplicada e Métodos de Descrição Formal (AIFB) do KIT, outro parceiro do projeto que foi concluído recentemente. .

No futuro, o sistema de aprendizagem federado será desenvolvido na plataforma para permitir que diferentes empresas treinem sistemas robóticos em conjunto sem a necessidade de compartilhar dados. Maximilian Gilles e sua equipe procuram parceiros da indústria e da pesquisa para continuar seu trabalho.

Para treinar os robôs, foram instaladas cinco estações de separação autônomas: duas na IFL e três na Festo SE, com sede em Esslingen am Neckar. "Estamos orgulhosos por termos conseguido mostrar que os robôs podem aprender uns com os outros sem partilhar dados sensíveis e segredos da empresa. Isto protege os dados dos nossos clientes e também ganhamos velocidade porque os robôs podem assumir muitas tarefas mais rapidamente desta forma. Por exemplo , os robôs colaborativos podem ajudar os trabalhadores da produção a executar tarefas repetitivas, pesadas e cansativas", afirma Jan Seyler, Chefe de Análise e Controle de Desenvolvimento Avançado da Festo.

O Projeto de Pesquisa FLAIROP

O projeto FLAIROP (significa Federated Learning for Robot Picking) foi uma colaboração de organizações e empresas canadenses e alemãs. Enquanto os parceiros canadianos do projeto se concentraram no reconhecimento de objetos através de aprendizagem profunda, IA explicável e otimização, os parceiros alemães contribuíram com a sua experiência em robótica, compreensão autónoma através de aprendizagem profunda e segurança de dados.

Os sócios e suas participações:

KIT-IFL:Desenvolvimento de algoritmo para determinação de pontos de preensão, desenvolvimento de geração automática de dados de aprendizagem

KIT-AIFB:Desenvolvimento da estrutura de aprendizagem federada

Festo SE & Co.Líder de consórcio, desenvolvimento de postos de picking, pilotagem

Universidade de Waterloo (Canadá):Desenvolvimento de algoritmo de reconhecimento de objetos

Darwin AI (Canadá):Otimização de rede local e global

FLAIROP foi financiado pelo Conselho Nacional de Pesquisa Canadense (NRC) e pelo Ministério Federal Alemão para Assuntos Econômicos e Ação Climática (BMWK). KIT recebeu uma parte de cerca de 750.000 euros.