Sensorplatzierung für sicherheitsrelevante Industrieanwendungen

Die derzeit rapide voranschreitende Veränderung der Technologiewelt geht mit einem vermehrten Einsatz von Systemen basierend auf Mensch-Maschine Interaktionen einher. Zentraler Aspekt hierbei ist die Gewährleistung der Unversehrtheit des Menschen. Um dies zu erreichen, werden im Bereich der Industrierobotik/in Produktionsanlagen unterschiedliche Sensoren verwendet, die sich durch Detektion erfassbare Zone, Platzbedarf und ökonomischen Kosten unterscheiden. Eine korrekte Platzierung dieser Sensorik ist essentiell um Sicherheit gewährleisten zu können (Vermeidung von toten Winkeln), aber auch um vorhandene bzw. anzuschaffende Ressourcen so effizient wie möglich zu nutzen.

Im Rahmen dieses Forschungsthemas wurde daher ein Algorithmus entwickelt, der dazu dient, die optimale Positionierung von Sicherheitselementen (Laserscanner, Safety Matten und mechanischem Barriereelemente) in einer gegebenen Produktionsanlage im Hinblick auf funktionale Sicherheit, Platzbedarf und ökonomische Kosten zu ermitteln. Die gegebenen Anforderungen an die funktionale Sicherheit müssen dabei zwingend eingehalten werden, während hinsichtlich des Platzbedarfs und der Kosten optimiert werden kann. Die Methode basiert auf Ansätzen aus der Kombinatorik und wurde anhand eines Simulationsszenarios in der Simulationsumgebung evaluiert.

Die Forschung führte zur Entstehung des Papers "Study of safe sensor configurations in human robot collaboration" von Baek et al. und wurde im Rahmen der 20. GMA/ITG-Fachtagung Sensoren und Messsysteme veröffentlicht. Das Paper finden sie hier.

Fehlererkennung und -reduktion beim Einsatz neuronaler Netze für die Posenerkennung

Aktuelle Sicherheitsmaßnahmen für Roboter und Fertigungsanlagen umfassen vergleichsweise statische und platzintensive Lösungen wie Schutzzäune, Lichtschranken und Trittmatten sowie dynamischere und kompaktere, dafür aber auch kostenintensivere Lösungen wie Laserscanner. Der Einsatz von Laserscannern hat gegenüber vielen anderen Lösungen den Vorteil, dass eine breite Wahrnehmung des Umfelds des abgesicherten Aufbaus möglich wird. Diese Wahrnehmung ermöglicht ausgefeiltere Sicherheitsmaßnehmen als einen reinen Nothalt, beispielsweise eine abstandsbasierte Geschwindigkeitsskalierung. Die Wahrnehmung gängiger sicherheitszertifizierter Laserscanner ist jedoch auf eine Ebene im 3D-Raum beschränkt - man nimmt beispielsweise nur einen schmalen Streifen der Beine von Personen wahr, was in der Notwendigkeit hoher Sicherheitsaufschläge resultiert. Dieses Problem kann durch den Einsatz von Posenerkennungssoftware und Kameras umgangen werden, welche eine Wahrnehmung des ganzen Körpers ermöglichen. Jedoch erfüllen diese Verfahren (normalerweise basierend auf neuronalen Netzen) aktuell nicht die nötigen Sicherheitsanforderungen, da zu viele unentdeckte und potentiell gefährliche Fehler auftreten.

Ziel dieses Forschungsthemas ist es daher, Fehler bei der Posenerkennung beim Einsatz von neuronalen Netzen zu detektieren. Hierzu wurde ein auf Redundanz (genauer gesagt Diversität, eine Sonderform der Redundanz) basierendes Verfahren entwickelt, welches zwei oder mehr strukturell unterschiedliche neuronale Netze auf denselben Eingabedaten verwendet. Auf Basis der Ausgabedaten wird zur Laufzeit ein kontextspezifisches Vergleichsverfahren angewendet, um potentiell falsche Detektionen der neuronalen Netze zu erkennen. Es ist hierbei auch möglich, das zuvor korrekte Detektionen fälschlicherweise als inkorrekt eingestuft werden.

Die Effektivität des Verfahren wurde auf dem MPII Human Pose Dataset nachgewiesen. In Experimenten gelang es mit 3 verschiedenen neuronalen Netzen bis zu 75% der vormals unentdeckten falschen Detektionen zu erkennen (eine Reduktion von 11% auf 2.8%). Die Rate korrekter Detektionen erreichte dabei 75.3% (vgl. 82.3%, 88.4% und 89% bei den 3 eingesetzten neuronalen Netzen, wobei der schlechteste Wert als eine Art obere Schranke im Vergleichsverfahren fungiert). Unterhalb dieses Absatzes sind die Ergebnisse des besagten Experiments zu sehen. Weitere Ergebnisse & Details des Verfahrens wurden auf der Konferenz IROS 2020 eingereicht, das entsprechende Paper wird zugänglich gemacht, sobald es veröffentlicht wurde.