Automatische Beurteilung situationsbezogener Risiken von mobilen Industrierobotern
Seiten
Mobile Industrieroboter werden wegen ihrer Flexibilität immer wichtiger. Sie können in komplexen und unstrukturierten Umgebungen eigenständig ihren Weg zum Ziel finden. Die Herausforderung liegt in der Gewährleistung der Sicherheit (Safety). Klassische Risikobeurteilungsansätze treffen zur Entwurfszeit pauschale Worst-Case-Annahmen. Die verwendeten Modelle sind oft vage und unsicherheitsbehaftet, da konkrete Situationsinformationen fehlen. Dies macht die Systeme zwar sicher, aber unzuverlässig und ineffizient, was zu umständlichen Trajektorien und Standzeiten führt.
Besser wäre eine situationsbezogene Risikobeurteilung, bei der die Modelle System und Umgebung stets zutreffend beschreiben. Der mobile Roboter könnte dann fallspezifisch zwischen Nutzen und Risiko abwägen. Ziel ist es, situationsbezogen potentielle Schadensszenarien zu identifizieren und deren Eintrittswahrscheinlichkeiten abzuschätzen.
Die vorgestellte Methodik adaptiert das Konzept des digitalen Zwillings für die Risikoschätzung und erweitert es um Situation Awareness. Aus kleinen Metamodellen wird ein Gesamtmodell zusammengesetzt. Abweichungen von der erwarteten Vorhersagequalität werden erkannt und eingegrenzt. Multi Agent Adversarial Reinforcement Learning deckt Schadensszenarien auf, wobei Agenten-Stereotypen systemtheoretisch ausgewählt werden. Eine Kombination aus Ereignisbaum und Spielgraphen schließt auf das Risiko.
Die Evaluation erfolgt anhand dreier Anwendungsfälle: Beherrschung von Teilausfällen, Anomalien und neuen Umgebungen. Die Methode verbessert die Vorhersagequalität bei 94% weniger Trainingsdaten. Die situative Risikoschätzung halbiert den mittleren Schätzfehler von 18,3% auf 8,6%. Bis zu 80% der Stillstandkosten werden vermieden. Das Verfahren ist interpretierbar und übertragbar.
Besser wäre eine situationsbezogene Risikobeurteilung, bei der die Modelle System und Umgebung stets zutreffend beschreiben. Der mobile Roboter könnte dann fallspezifisch zwischen Nutzen und Risiko abwägen. Ziel ist es, situationsbezogen potentielle Schadensszenarien zu identifizieren und deren Eintrittswahrscheinlichkeiten abzuschätzen.
Die vorgestellte Methodik adaptiert das Konzept des digitalen Zwillings für die Risikoschätzung und erweitert es um Situation Awareness. Aus kleinen Metamodellen wird ein Gesamtmodell zusammengesetzt. Abweichungen von der erwarteten Vorhersagequalität werden erkannt und eingegrenzt. Multi Agent Adversarial Reinforcement Learning deckt Schadensszenarien auf, wobei Agenten-Stereotypen systemtheoretisch ausgewählt werden. Eine Kombination aus Ereignisbaum und Spielgraphen schließt auf das Risiko.
Die Evaluation erfolgt anhand dreier Anwendungsfälle: Beherrschung von Teilausfällen, Anomalien und neuen Umgebungen. Die Methode verbessert die Vorhersagequalität bei 94% weniger Trainingsdaten. Die situative Risikoschätzung halbiert den mittleren Schätzfehler von 18,3% auf 8,6%. Bis zu 80% der Stillstandkosten werden vermieden. Das Verfahren ist interpretierbar und übertragbar.
| Erscheinungsdatum | 15.02.2025 |
|---|---|
| Reihe/Serie | IAS-Forschungsberichte ; 2025,4 |
| Verlagsort | Düren |
| Sprache | deutsch |
| Maße | 148 x 210 mm |
| Gewicht | 215 g |
| Themenwelt | Informatik ► Theorie / Studium ► Künstliche Intelligenz / Robotik |
| Technik ► Maschinenbau | |
| Schlagworte | Digitaler Zwilling • Reinforcement Learning • situationsbezogene Risikobeurteilung |
| ISBN-13 | 9783844097801 / 9783844097801 |
| Zustand | Neuware |
| Informationen gemäß Produktsicherheitsverordnung (GPSR) | |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Eine praxisorientierte Einführung
Buch | Softcover (2025)
Springer Vieweg (Verlag)
CHF 53,15
Künstliche Intelligenz, Macht und das größte Dilemma des 21. …
Buch | Softcover (2025)
C.H.Beck (Verlag)
CHF 25,20
Buch | Softcover (2025)
Reclam, Philipp (Verlag)
CHF 11,20
