LernFFZ - Imitation Learning zum Transfer menschlicher Fähigkeiten auf Flurförderzeuge

Obwohl die Automatisierung von Flurförderzeugen (FFZ) in der Intralogistik viele Vorteile bietet, setzen Unternehmen aufgrund ihrer hohen Flexibilität und Anpassungsfähigkeit häufig noch auf manuell geführte Flurförderzeuge wie Gabelstapler oder Hubwagen. Nach heutigem Stand sind automatisierte FFZ in der Lage, Ladungsträger in der innerbetrieblichen Logistikumgebung selbständig zu transportieren. Die automatisierte Lastaufnahme erfordert jedoch eine ausreichend genaue und prozessangepasste Positionierung und Ausrichtung der Ladungsträger. Das Aufnehmen von schwer erreichbaren und komplex angeordneten Ladungsträgern stellt selbst qualifizierte Fahrer*innen vor Herausforderungen und erfordert Erfahrung bei der Lastaufnahme. Die Ziele des Forschungsvorhabens sind es daher, zunächst das implizite Wissen geübter Fahrer, während der Fahraufgabe mittels Informationsfusion von Fahrdatenaufnahme und Umgebungserfassung aufzunehmen und zu formalisieren. Aus den aufgezeichneten Daten des realen Fahrzeugs, eines digitalen Zwillings und zweier Prüfstände wird ein komplexer Datensatz aus realen und synthetischen Fahrdaten erstellt. Schließlich müssen geeignete Algorithmen des maschinellen Lernens ausgewählt und an das intralogistische Problem angepasst werden. In Frage kommen Ansätze aus dem Supervised Learning wie das Behavioral Cloning, bei dem ein Modell direkt aus Beispieldaten menschliches Verhalten lernt, um in einer gegebenen Umgebung identische Aktionen auszuführen. Alternativ können Methoden aus dem Reinforcement und Imitation Learning zum Inverse Reinforcement Learning kombiniert werden. In diesem Fall wird zunächst eine Belohnungsfunktion aus den aufgenommenen Beispieldaten gelernt, um anschließend mit Hilfe eines Agenten eine Regel für die zugrundeliegende Fahraufgabe zu lernen. Damit können die impliziten Ziele des Experten modelliert und nachgebildet werden. Das Projekt wird vom „Institut für Transport- und Automatisierungstechnik“ (ITA) der Leibniz Universität Hannover in Kooperation mit dem „Institut für Integrierte Produktion Hannover gGmbH“ (IPH), der STILL GmbH und der Softwareentwicklungsgesellschaft 3++ bearbeitet.