Warum passiert das so? – Komplexe Systeme verstehen durch diskrete Modelle

Im Rahmen der I3-Förderungen der TUHH wurde das 3D_Log Projekt ins Leben gerufen. Es treibt den Bereich der Intralogistik, d.h. logistische Prozesse insbesondere innerhalb von Lagerhallen, durch moderne Sensortechnik voran. Besonders spannend wird das Projekt dabei durch seine vielseitigen Projektpartner: (1) Das Institut für Technische Logistik der TUHH stellt dem Projekt nicht nur räumlich Mittel- und Treffpunkt zur Verfügung, sondern bringt auch weitreichendes Wissen über industrielle Anwendungen der Intralogistik mit. (2) Das Institut für eingebettete Systeme der TUHH bringt die methodisch-algorithmische Sichtweise der Informatik mit, um Systeme durch geeignete Modellierung zu verstehen. (3) Zusätzlich zu den Partnern der TUHH, waren etablierte Unternehmen mit Standort in Hamburg am Projekt beteiligt, z.B. die SICK AG welche ein weltweiter Hersteller von Sensoren und Automatisierungstechnik ist.

3D_Log

Im Fokus des Projekts stehen Lokalisierungssysteme. Im Kontext der Intralogistik werden Lokalisierungssysteme beispielsweise verwendet, um die Position von Fahrzeugen wie z.B. Gabelstaplern oder aber auch die Position von Waren im Lager zu bestimmen und zu verfolgen. Damit können vielfältige Anwendungen wie autonomes Fahren bzw. automatische Kommissionierung von Waren, Kollisionsvermeidung oder Warenverfolgung realisiert werden. Die technische Umsetzung von Lokalisierungssystemen erfolgt z.B. über Kamera-, Laser- oder Funktechnologien.

Das Institut für eingebettete Systeme untersucht Lernverfahren für Modelle, die aufzeigen, warum sich die Systeme verhalten, wie sie sich verhalten. Um derartige Erklärungen zu finden, wird Wissen über die Umwelt einbezogen. Kamera- und Lasersysteme werden z.B. durch die Lichtverhältnisse im Raum beeinflusst. Ebenso können die umgebenden Strukturen - z.B. reflektierende Materialen oder Gegenstände - beeinflussen, wie gut ein Lokalisierungssystem funktioniert. Systeme dieser Art bezeichnet man als Cyber-Physische Systeme, da sie sowohl programmierbare („cyber“) Teilsysteme beinhalten als auch „physisch“ mit ihrer Umwelt interagieren. Die Herausforderung ist es, ein solches System ohne Wissen über dessen Interna zu modellieren - das System stellt eine „Black-Box“ dar. In diesem Fall wird nur das Systemverhalten beobachtet, um daraus ein Modell zu erlernen. Damit ergibt sich eine schwere, theoretische Aufgabe, die nur unter bestimmten Randbedingungen lösbar ist. Die umfassende Theorie kommt aus dem Bereich der formalen Sprachen und eine algorithmische Umsetzung dieser Theorie stellt Automatenlernen dar. Darauf aufbauende Ergebnisse aus dem Projekt 3D_Log wurden auf internationalen Tagungen dem Fachpublikum vorgestellt.

Anstelle eines komplexen Lokalisierungssystems illustriert ein Alltagsbeispiel die Idee. Abbildung 2 zeigt das Systemverhalten eines Staubsaugerroboters und ein mittels Automatenlernen erlerntes Model. Das erlernte Modell repräsentiert  das Verhalten des Roboters korrekt: Der Roboter fährt so lange vorwärts, bis er gegen eine Wand stößt, fährt dann ein Stück rückwärts und dreht sich, bevor er wieder vorwärts fährt.

Automatenlernen für einen Staubsaugerroboter

Für Lokalisierungssysteme wurden ebenfalls einfache Eigenschaften nachgewiesen. Laser-basierte Lokalisierungssysteme orientieren sich, indem gesehene Umrisse der Umgebung mit einer Karte des Raums abgeglichen werden. Das mittels Messdaten gelernte Modell des Systems ist in der Lage, Veränderungen der Lokalisierungsqualität in Abhängigkeit von Änderungen der Umgebung darzustellen.

Gelernte Modelle liefern in diesen Beispielen hilfreiche Ergebnisse. Das Lernen für allgemeine Cyber-Physischen Systeme ist aber weitaus schwerer, da eine komplexe Funktionalität in einem Modell verständlich gemacht werden muss. Dafür werden u.a. kontinuierliche physikalische Größen auf eine diskrete Modellierung abgebildet. Im Projekt wurden neue Modelltypen betrachtet, die einerseits diese Abstraktion erleichtern; andererseits wurden die Modelltypen bzgl. ihrer Toleranz zu Messfehlern untersucht. So entstehen Modelle, die einer Erweiterung der Theorie erfordern und für den praktischen Einsatz und vielfältige Systeme noch besser geeignet sind. Sie erklären, warum das Lokalisierungssystem nicht immer die exakte Position berechnet, sogar ohne dass die gesammelten Messwerte vorher langwierig in verständliche Daten umgerechnet werden müssen. Somit bekommt jede „Black-Box“ ein „White-Box“-Modell und man braucht sich nie wieder zu fragen „Warum passiert das so?“ oder „Warum vergisst mein Staubsaugerroboter an manchen Tagen eigentlich das Schlafzimmer zu reinigen?“.

Ansprechpartner: