Collective Efficient Deep Learning and Networked Control for Multiple Collaborative Robot Systems

De siste årene har samarbeidende robotsystemer fått økende oppmerksomhet i flere industrielle sammenhenger som produksjonslinjer, nye additive prduksjonsmetoder, bilindustri, materialhåndtering, emballering og pakking, samt kvalitetskontroll. Samarbeidet mellom flere roboter og menneskelige operatører anses for å være den mest fremtredende strategien i Industri 5.0, der mennesker og maskiner deler den samme arbeidsplassen og samarbeider om oppgaver i henhold til deres komplementære evner. DEEPCOBOT-prosjektet vil undersøke utformingen av en ny generasjon av desentraliserte datadrevne dyplærings-baserte styringsenheter for flere sameksisterende samarbeidsroboter (Cobots), disse samhandler både seg imellom og med menneskelige operatører for kollektivt å lære av hverandres erfaringer og sammen utføre forskjellige komplekse oppgaver i store industrielle miljøer. Dette motiveres av den økende etterspørselen etter automatisering i industrien, spesielt etterspørselen etter et tryggere og mer effektivt samarbeid mellom flere Cobots og menneskelige operatører for å integrere det beste av menneskelige evner og robotautomasjon. Visjonen med dette prosjektet er at innlæringen av de optimale lokale styringspolitikkene kan akselereres kraftig ved å dele både informasjon om tidligere erfaringer og beregninger på flere Cobots koblet gjennom et trådløst kommunikasjonsnettverk, og dermed gir løsninger som tilfredsstiller de sanntidsbegrensningene som foreligger i de betraktede robotapplikasjonene. I tillegg skal dette gi tilstrekkelig robusthet og muligheter for utskiftbare styringsløsninger. Dette er et flerfaglig prosjekt som omhandler områdene dyplæring, optimalisering, forsterkende læring, desentralisert delt kontroll, legemliggjort kunstig intelligens (intelligente roboter og enheter), toveis interaksjon mellom Cobots og menneskelige operatører, og matrisenettverk med et betydelig potensial i industrielle applikasjoner.

This project investigates the design of a new generation of decentralized data-driven Deep Learning based controllers for multiple coexisting (possibly mobile) collaborative robots, which interact both between themselves and with human operators in order to collectively learn from each other's experiences and perform cooperatively different complex tasks in large-scale industrial environments. This is motivated by the increasing demand of automation in industry, especially the demand of a safer and more efficient collaboration between multiple cobots and human operators to integrate the best of human abilities (creativity, adaptivity, interaction) and robotic automation (speed, reliability, precision, inexhaustible task execution capability). Our vision is that the learning of the optimal local control policies can be substantially accelerated by sharing both information about previous experiences and computation across multiple neighbor interconnected cobots, providing solutions that satisfy the necessary real-time constraints in robotic applications, as well as sufficient robustness and interchangeability to the control solutions. The main technical novelties are: a) novel local controllers for the collaborative robots based on distributed online deep learning, where each cobot will use a deep reinforcement learning scheme to learn its local policy of shared control, exploiting not only its local experience, but also experience information from other neighbor cobots that will be connected opportunistically through a time-varying inter-cobot wireless network; b) Rich and fluent cobot-human bi-directional interaction and shared control between cobots and human operators, keeping the required safety constraints; c) novel adaptive distributed computation and networking for information aggregation across cobots. The algorithms will be demonstrated at MIL using real-world collaborative robots in cooperation with the world-leading industrial partners ABB and Omron.