Hoe robots in verschillende bedrijven van elkaar kunnen leren zonder gevoelige info te delen

Autonome, flexibele robots worden beschouwd als een sleuteltechnologie voor Industrie en Logistiek 4.0. Het probleem: om robots te trainen die worden aangestuurd met AI, zijn zeer grote hoeveelheden gegevens nodig, waarover slechts weinig bedrijven beschikken. De oplossing: robots van verschillende bedrijven op verschillende locaties van elkaar laten leren. Zonder geheimen te delen.

In het Flairop-project, dat in 2021 startte en inmiddels is afgerond, hebben Duitsland en Canada onderzocht hoe robots samen kunnen leren zonder geheime gegevens uit te wisselen.

“Bij conventionele machine learning-methoden worden alle gegevens verzameld en wordt de AI getraind op een centrale server”, zegt Maximilian Gilles van het Institute for Materials Handling and Logistics Systems (IFL) bij KIT. Door gezamenlijk maar lokaal gescheiden leren, ook wel federatief leren genoemd, kunnen trainingsgegevens van verschillende stations, van verschillende fabrieken of zelfs meerdere bedrijven worden gebruikt zonder dat de deelnemers gevoelige bedrijfsgegevens hoeven vrij te geven. “We hebben nu autonome grijprobots in de logistiek kunnen trainen, zodat ze op betrouwbare wijze voorwerpen kunnen vastgrijpen die ze nog niet eerder hebben gezien”, zegt Gilles. Door de verscheidenheid aan objecten in een industrieel magazijn is dit een zeer veeleisende taak.

Trainen zonder centrale dataverzameling

Voor de Flairop-training vond geen uitwisseling plaats van gegevens als afbeeldingen of grippunten, maar werden alleen de lokale parameters van de neurale netwerken naar een centrale server verzonden. Zeer geabstraheerde kennis dus. Daar werd de input van alle centra verzameld en gecombineerd met behulp van algoritmen, waarna de verbeterde versie werd teruggestuurd naar de lokale stations, die hem verder trainden met de lokale gegevens. Dit proces werd verschillende keren herhaald. “Onze resultaten laten zien dat een dergelijke manier van leren kan worden gebruikt om samen robuuste AI-oplossingen te creëren voor gebruik in de logistiek, zonder gevoelige gegevens te delen”, zegt Sascha Rank van het Institute for Applied Computer Science and Formal Description Methods (AIFB) van het KIT.

IFL en Festo

Er zijn voor het onderzoek vijf autonome stations opgezet om de robots te trainen: twee bij de IFL en drie bij Festo SE, gevestigd in Esslingen am Neckar. “We zijn blij dat we hebben kunnen laten zien dat robots van elkaar kunnen leren zonder gevoelige gegevens en bedrijfsgeheimen te delen. Hierdoor kunnen we de gegevens van onze klanten beschermen en winnen we ook aan snelheid doordat de robots op deze manier veel taken sneller kunnen overnemen. De collaboratieve robots kunnen bijvoorbeeld productiemedewerkers ondersteunen met repetitieve, moeilijke en vermoeiende taken”, zegt Dr. Jan Seyler, hoofd van Advanced Development Analytics and Control bij Festo.

Partners gezocht

Nu willen de onderzoekers hun leersysteem zo verder ontwikkelen dat het als platform verschillende bedrijven in staat stelt samen robotsystemen te trainen zonder dat ze data met elkaar hoeven te delen. Gilles en zijn team zijn op zoek naar partners uit de industrie en het onderzoek voor verder onderzoek.