Automatische Beurteilung situationsbezogener Risiken von mobilen Industrierobotern

Abstract

Mobile Industrieroboter werden wegen ihrer Flexibilität immer wichtiger. Sie können in zunehmend komplexen und unstrukturierten Umgebungen eigenständig ihren Weg zum Ziel finden. Die Herausforderung liegt in der Gewährleistung der Sicherheit (Safety). Um die Safety zu gewährleisten, werden in klassischen Risikobeurteilungsansätzen zur Entwurfszeit pauschale Worst-Case-Annahmen getroffen. Die verwendeten Modelle sind oft vage und unsicherheitsbehaftet, weil die Information zur konkreten Situation mit ihren Randbedingungen fehlt. Sie machen die Systeme zwar sicher aber unzuverlässig und ineffizient. Umständliche Trajektorien, Standzeiten und Ausfallzeiten sind die Folge. Besser wäre es daher, die Risiken der mobilen Industrieroboter aus der Situation heraus zu beurteilen und dafür Sorge zu tragen, dass die zugrunde liegenden Modelle stets das System und seine Umgebung zutreffend beschreiben. Dann könnte der mobile Roboter fallspezifisch zwischen Nutzen und Risiko abwägen. Die Ziele dieser Arbeit sind daher, unter Berücksichtigung der aktuellen Situation potentielle Schadensszenarien zu identifizieren und jeweils Schaden und Auftrittswahrscheinlichkeit abzuschätzen. Außerdem soll dafür Sorge getragen werden, dass die zugrunde liegenden Modelle stets das System und seine Umgebung zutreffend beschreiben. Um diese Ziele zu erreichen, wird eine Methodik zur situationsbezogenen Risikobeurteilung für mobile Industrieroboter vorgestellt. Dazu wird das Konzept des digitalen Zwillings für die Risikoschätzung adaptiert und um Situation Awareness erweitert. Aus kleinen Metamodellen, die anhand von Umgebungsmerkmalen ausgewählt und parametriert werden, wird ein Gesamtmodell zusammengesetzt. Abweichungen von der erwarteten Vorhersagequalität werden erkannt und auf Bereiche eingegrenzt, in denen die Modelle an ihre Grenzen stoßen. Dies ermöglicht eine gezielte Anpassung an die Umgebung und eine automatisierte Verbesserung der Situation Awareness. Aufbauend auf einer derartigen Modellbasis werden mit Hilfe von Multi Agent Adversarial Reinforcement Learning Schadensszenarien aufgedeckt, wobei Agenten-Stereotypen auf Basis einer systemtheoretischen Prozessanalyse ausgewählt werden. Eine Kombination aus Ereignis-baum und Spielgraphen dient dazu, von den Schadensszenarien auf das Risiko zu schließen. Die Evaluation des situativen Risikos erfolgt für drei Anwendungsfälle: der Beherrschung von Teilausfällen, der Beherrschung von Anomalien und dem Umgang mit neuen Umgebungen. Diese werden zunächst auf einem mobilen Roboter realisiert und dann auf weitere Demonstratoren übertragen. Die Methode zeigt eine Verbesserung der Vorhersagequalität um bei gleichzeitiger Einsparung von 94 % der Trainingsdaten. Die situative Risikoschätzung halbiert den mittleren Schätzfehler gegenüber herkömmlichen Methoden von 18,3 % auf 8,6 %. So können bis zu 80 % der Stillstandkosten vermieden werden. Das Verfahren ist besser interpretierbar als klassische neuronale Netze und auf andere Demonstratoren übertragbar.