Zukunftsperspektiven mit KI
Lernen durch Interaktion kann dazu beitragen, dass über Zwischenschritte der Teilautomatisierung (Stichwort: variable Autonomie), höhere Autonomiegrade im Recycling erreicht werden und sukzessive mit jeder Interaktion auch die Robustheit der nötigen KI-Modelle gestärkt wird. Ein auf diese Weise verbessertes Recycling kann zu einem zentralen Bestandteil einer Kreislaufwirtschaft werden, insbesondere aufgrund multimodaler Sensorik wie z.B. der Detektion verborgener oder zu demontierender Objekte. Zudem stellt es eine Vorstufe zu weiteren Betriebsstationen dar, wie der Demontage, in der aussortierte Wertstoffe zerlegt und auch Rohstoffe wiedergewonnen werden. Innerhalb von bereits bestehenden Anlagen, in denen klassische Methoden der Müllsortierung angewandt werden, können lernfähige Robotiksysteme komplementär eingesetzt werden (z.B. zur Qualitätssteigerung und -sicherung).
So werden in mehrfacher Hinsicht Potenziale frei:
- Freisetzung von Arbeitskraft für Aufgaben mit höherer Wertschöpfung durch Rationalisierung von unattraktiven, unangenehmen oder potenziell gefährlichen Arbeitsprozessen
- Erhöhte Sicherheit für Menschen vor Gefahrstoffen und gefährlichen Objekten
- Betriebswirtschaftliche Vorteile bei perspektivischer Vollautomatisierung: Günstigere Betriebsbedingungen sowie gegebenenfalls Wegfall von an Menschen angepasste (Sicherheits-) Bedingungen (Lüftung, Arbeitsraum, Unfallschutz etc.)
Quellen des Lernens
- Beobachten menschlicher Aktivitäten, z.B. Lernen durch Demonstration (Was greift der Mensch wie?)
- Hinweise des Menschen auf entferntere, zu sortierende Objekte, z.B. Zeigen mit einem Laserpointer oder auf übertragenen Kamerabildern des Förderbandes
- Kommentierung durch den Menschen in der Lernphase, z.B. Benennung von Objekten, Materialien.
- Menschliche (verbale) Kommentierung oder Instruktion, um Affordanzen (Objekt ist greifbar, anhebbar etc.) oder Greiffähigkeiten zu lernen
- Simultanes Lernen von allen menschlichen Instruktoren an mehreren Förderbändern; so kann jede Roboterinstanz von den gelernten Fähigkeiten anderer Instanzen profitieren, z.B. Erkennen eines Objekts oder Ausführen eines Griffs
Methoden des Lernens
- Reinforcement Learning (bestärkendes Lernen)
