Lernende Systeme in menschenfeindlichen Umgebungen

Mobile Robot­er und andere tech­nis­che Sys­teme wer­den schon heute in Umge­bun­gen einge­set­zt, die für den Men­schen lebens­feindlich sind – etwa im Wel­traum oder in kon­t­a­minierten Gebi­eten. Die Band­bre­ite dieser Sys­teme ist groß: Sie reicht von fer­nges­teuerten über automa­tisierte Sys­teme bis hin zu solchen mit lim­i­tierten Autonomiefunk­tio­nen. Die wenig­sten ver­fü­gen jedoch über die kog­ni­tiv­en Fähigkeit­en, um den Her­aus­forderun­gen, der Kom­plex­ität, und den Unvorherse­hbarkeit­en in men­schen­feindlichen Umge­bun­gen allein begeg­nen zu kön­nen.

Zukün­ftig sollen tech­nis­che Sys­teme jedoch in der Lage sein, die Kom­plex­ität von men­schen­feindlichen Umge­bun­gen zu „ver­ste­hen“ und gestellte Auf­gaben effizient zu bear­beit­en. Die Sys­teme kön­nen sich dann an verän­derte Sit­u­a­tio­nen anpassen, ohne dafür umpro­gram­miert wer­den zu müssen, und sich diese Änderun­gen sowie erfol­gre­iche Anpas­sun­gen auch merken. Diese soge­nan­nten Ler­nen­den Sys­teme (LS) kön­nen den Men­schen dadurch in Gefahren­si­t­u­a­tio­nen noch bess­er unter­stützen – beispiel­sweise in der Gefahren­ab­wehr oder bei Ret­tung­sein­sätzen. Damit senken sie die Risiken für das einge­set­zte Per­son­al deut­lich. Gle­ichzeit­ig ver­ringern sie die Reak­tion­szeit und schließen Fähigkeit­slück­en, in denen heute noch keine angemessene Reak­tion möglich ist.

In men­schen­feindlichen Umge­bun­gen ver­sprechen Ler­nende Sys­teme damit einen großen Nutzen. Zusam­men mit dem Men­schen kön­nen sie für unter­schiedliche Auf­gaben einge­set­zt wer­den: etwa in Form von Robot­ern für die Gewin­nung von Rohstof­fen und Nahrungsmit­teln (z.B. Aquakul­turen). Eben­so kön­nen sie bei Wartungsar­beit­en, Dekon­t­a­m­i­na­tion und Ret­tungsmis­sio­nen unter schwieri­gen Bedin­gun­gen zum Ein­satz kom­men.

Die vom Bun­desmin­is­teri­um für Bil­dung und Forschung (BMBF) auf Anre­gung des Fach­fo­rums Autonome Sys­teme des High­tech-Forums und acat­e­ch ini­ti­ierte Plat­tform Ler­nende Sys­teme soll dazu beitra­gen, sie im Sinne der einzel­nen Men­schen und der Gesellschaft zu gestal­ten. LS sollen die Leben­squal­ität und Arbeits­be­din­gun­gen der Men­schen verbessern, Wach­s­tum und Wohl­stand sich­ern sowie die Nach­haltigkeit der Wirtschaft, des Verkehrs und der Energiev­er­sorgung fördern. Die Plat­tform bün­delt die vorhan­dene Exper­tise aus Wis­senschaft, Wirtschaft, Gesellschaft und Poli­tik in sieben inter­diszi­plinären und branchenüber­greifend­en Arbeits­grup­pen.

Dieser Artikel basiert im Wesentlichen auf dem Bericht der Arbeits­gruppe „Lebens­feindliche Umge­bun­gen“ (www.plattform-lernende-systeme.de/files/Downloads/Publikationen/AG-7_Bericht_web_ final.pdf).

Mehr Sicherheit für den Menschen

In gefährlichen Sit­u­a­tio­nen kön­nen LS die Sicher­heit von Men­schen deut­lich erhöhen. Dank ihrer Fähigkeit­en müssen in Gefahren- oder Katas­tro­phen­si­t­u­a­tio­nen weniger Ein­satzkräfte vor Ort sein. Zum einen übernehmen LS Auf­gaben, die bish­er Men­schen erledigt haben – beispiel­sweise bei Ret­tungsar­beit­en nach einem Chemie­un­fall. Diese Tätigkeit­en sind nicht nur gefährlich oder gesund­heitss­chädi­gend. Selb­st Fach­leute kön­nen sie nicht immer effizient durch­führen, weil ihnen in dynamis­chen Gefahren­si­t­u­a­tio­nen Infor­ma­tio­nen fehlen oder weil die Zeit knapp ist. Zum anderen unter­stützen LS die Ein­satzkräfte, indem sie ihnen einen schnellen Überblick über die Lage ver­schaf­fen. Mit Hil­fe solch­er Sys­teme lassen sich gegebe­nen­falls mehr Men­schen­leben ret­ten oder Sach­w­erte bess­er schützen und erhal­ten.

Sinnvolle Arbeitsteilung

LS arbeit­en selb­ständig, alleine oder in hybri­den Teams mit anderen Ler­nen­den beziehungsweise Autonomen Sys­te­men und dem Men­schen zusam­men. Sie schätzen als Assis­ten­ten Gefahren für die Ein­satzkräfte ein, sind aber auch fähig, in ein­er bes­timmten Sit­u­a­tion eigen­ständig adäquat zu agieren. Überdies kön­nen sie Hil­fe anfra­gen – sei es für Men­schen oder sich selb­st. Die Sys­teme sam­meln dazu Infor­ma­tio­nen, tauschen sie mit anderen Sys­te­men aus und ler­nen fort­laufend weit­er. Auf diese Weise schließen sie im Laufe der Zeit sukzes­sive noch beste­hende Wis­senslück­en. Ihre Nutzung wird die Arbeitsweise und Arbeit­steilung in men­schen­feindlichen Umge­bun­gen grundle­gend verän­dern. Das Ler­nende Sys­tem nutzt seine an die Umge­bung angepassten physis­chen Eigen­schaften (Här­tung), um auch lange Zeit unter widri­gen Umstän­den im Ein­satz zu bleiben. Men­schen kön­nen, z.B. durch immer­sive Tech­nolo­gien, ihre Erfahrung und Flex­i­bil­ität in der jew­eili­gen Sit­u­a­tion ein­brin­gen, ohne selb­st vor Ort sein zu müssen.

Wirtschaftlich und nachhaltig

Hil­fre­iche Dien­ste ver­sprechen LS auch für Infra­struk­turen in men­schen­feindlichen Umge­bun­gen – etwa in Off­shore-Wind­kraftan­la­gen oder auf Satel­liten im Weltall. Deren Inspek­tion ist bis­lang mit einem hohen finanziellen Aufwand für die Betreiber und einem riskan­ten kör­per­lichen Ein­satz der Fachkräfte ver­bun­den. Teil­weise ist sie auch schlicht unmöglich, wie etwa im Fall der Satel­liten. Schiff­szeit­en für Aus­fahrten zu Off­shore-Wind­parks kosten täglich sechsstel­lige Sum­men; Tauch­er und Indus­triek­let­ter­er arbeit­en teils unter Lebens­ge­fahr. Der stetige Aus­bau von Off­shore-Anla­gen macht eine angemessene Inspek­tion kün­ftig immer schwieriger. Ler­nende robo­tis­che Unter­wasser­sys­teme kön­nen diese weit­ge­hend übernehmen. Durch ihre Lern­fähigkeit sind sie in der Lage, adäquat auf Aus­fälle von Teil­sys­te­men (zum Beispiel ein­er Kam­era oder ein­er Antrieb­sein­heit) zu reagieren und diese zumin­d­est teil­weise zu kom­pen­sieren. Das reduziert den logis­tis­chen und per­son­ellen Aufwand weit­er.

LS zeich­nen sich durch ihre Adap­tiv­ität, Lern­fähigkeit und ein an den spez­i­fis­chen Ein­sat­zort angepasstes Design aus. Sie machen den Betrieb von Infra­struk­turen wie Off­shore-Wind­kraftan­la­gen voraus­sichtlich auch ökol­o­gisch verträglich­er und sicher­er. Sie kön­nten zum Beispiel das Zusatzziel haben, sich möglichst umweltverträglich zu ver­hal­ten. Einige der bish­er einge­set­zten beman­nten Sys­teme wie etwa Hub­schrauber sind unter ökol­o­gis­chen Aspek­ten neg­a­tiv zu bew­erten. Sie lassen sich in vie­len Bere­ichen durch energieef­fiziente autonome Sys­teme mit deut­lich besser­er Öko­bi­lanz erset­zen.

Herausforderungen

Damit das wirtschaftliche und gesellschaftliche Poten­zial von LS in lebens­feindlichen Umge­bun­gen voll aus­geschöpft wer­den kann, sind noch einige Her­aus­forderun­gen zu bewälti­gen. Dazu zählen tech­nis­che Her­aus­forderun­gen wie die Gewährleis­tung von Langzeitau­tonomie und autonomem Ler­nen in unbekan­nten Umge­bun­gen auf Basis von weni­gen Dat­en sowie die Gestal­tung der Inter­ak­tion und Koop­er­a­tion der selb­ständi­gen Robot­er oder Assis­ten­zsys­teme mit dem Men­schen. Zudem benöti­gen die Sys­teme ein hohes Maß an Resilienz und müssen gegen Miss­brauch geschützt wer­den.

Nicht-tech­nis­che Her­aus­forderun­gen – vor allem rechtlich­er und ethis­ch­er Natur – sind aber nicht weniger kom­plex. Da Ler­nende Sys­teme mit Men­schen auf unter­schiedliche Weise inter­agieren, stellen sich Fra­gen zu Ver­ant­wor­tung, Haf­tung und Ver­sicherung. Dies ist beispiel­sweise der Fall, wenn durch die Sys­teme Schä­den entste­hen. Die Ver­ar­beitung von per­so­n­en­be­zo­ge­nen Infor­ma­tio­nen kann zu Pri­va­cy- und Daten­schutzprob­le­men führen. Solche Fälle kön­nen ein­treten, wenn Ler­nende Sys­teme im Katas­tro­phen­schutz oder bei Feuer­wehrein­sätzen hinzuge­zo­gen wer­den und Dat­en der betrof­fe­nen Men­schen erfassen und weit­ergeben. Selb­st­ständig entschei­dende Sys­teme kön­nen außer­dem bei Ret­tung­sein­sätzen in Dilem­ma-Sit­u­a­tio­nen zum Ein­satz kom­men, zum Beispiel, wenn nur eine Per­son ver­sorgt wer­den kann, obwohl mehrere Men­schen Hil­fe benöti­gen. Für den Umgang mit solchen Sit­u­a­tio­nen muss ein for­maler Rah­men gefun­den wer­den, der tech­nis­che, rechtliche und ethis­che Über­legun­gen ein­bezieht.

Einsatzbeispiel: Explosion und Brand in einer Chemiefabrik

Ein bre­it­er Ein­satz von LS bei Katas­tro­phen­be­wäl­ti­gung und Ret­tung­sein­sätzen wird die Arbeitsabläufe, die heute üblich sind, grundle­gend verän­dern. Abbil­dung 1 zeigt schema­tisch den möglichen Ablauf solch­er Ein­sätze bei enger Koop­er­a­tion men­schlich­er Ret­tungskräften mit diversen Ler­nen­den Sys­te­men in lebens­feindlichen Umge­bun­gen.

Erkun­dung der Lage

Ret­tungskräfte vor Ort (z.B. Werks­feuer­wehr) leit­en den Ein­satz ein. Sie rufen
in der Umge­bung Alarm aus, fordern Unter­stützung an und starten mit der Erkun­dung der Lage sowie der Ret­tung der gefährde­ten Per­so­n­en. Weit­ere Ret­tungskräfte kom­men mit ihren tech­nis­chen Mit­teln (inklu­sive speziellen autonomen und fer­nges­teuerten Sys­te­men) hinzu.

Mehrere Ler­nende Sys­teme – so genan­nte Unmanned Aer­i­al Vehi­cle (UAV) erstellen aus der Luft als Gruppe autonom detail­lierte Bilder der Großliegen­schaft (u.a. in unter­schiedlichen Spek­tral­bere­ichen und 3D) und ver­messen das Schad­stof­fvorkom­men sowie Luft­ströme. Ziel ist es, eine mögliche Ver­bre­itung von Gefahrstof­fen
zu erken­nen, im Zuge ein­er Prog­nose zu mod­el­lieren, das Schadens­ge­bi­et einzu­gren­zen sowie poten­ziell gefährdete Bere­iche der Umge­bung zu bes­tim­men.

Die UAVs kom­mu­nizieren und kooperieren untere­inan­der sowie mit anderen Sys­te­men (zum Beispiel Boden­ro­bot­ern, so genan­nten Unmanned Ground Vehi­cles (UGV)), um kri­tis­che Bere­iche möglichst schnell und detail­liert zu erkun­den. Sie über­tra­gen die gesam­melten Infor­ma­tio­nen unmit­tel­bar an die Ein­sat­zleitung, der sie als Grund­lage für eine umfassende Lage­be­w­er­tung dienen.

Ein­satz der Ret­tungskräfte

Die Ret­tungskräfte arbeit­en in Teams gemein­sam mit ver­schiede­nen Robot­ern. Diese gewährleis­ten die Kom­mu­nika­tion und Logis­tik und ver­sor­gen alle Beteiligten mit aktuellen Lage­in­for­ma­tio­nen, um die Ret­tungsar­beit­en schnell und effizient zu gestal­ten. Diverse UGVs und UAVs erkun­den den Weg für weit­ere (men­schliche und maschinelle) Ret­tungskräfte, analysieren mul­ti­sen­soriell die Gefahren­lage und überwachen den kör­per­lichen Zus­tand von Ret­tungskräften und gegebe­nen­falls Opfern. Sie kön­nen in die Erste Hil­fe oder zum Abtrans­port in die Ret­tungs­maß­nah­men inte­gri­ert wer­den und weit­ere Hil­fe anfordern.

Während des Ein­satzes nutzen Ler­nende Sys­teme ihre Sen­sorik, um Kol­li­sio­nen zu ver­mei­den und Gefahren­zo­nen zu erkun­den oder zu mei­den. Sie sor­gen für eine Echtzeit-Aktu­al­isierung der Karten und beobacht­en den Zus­tand von Objek­ten (zum Beispiel bei Ein­sturzge­fahr oder Undichtigkeit­en). Online-Ler­nal­go­rith­men nutzen die gesam­melten Dat­en sowie men­schliche Hin­weise, um das Lage­bild zu ver­fein­ern und das Ver­hal­ten der Sys­teme zu verbessern.

Kom­mu­nizieren und Kooperieren

Für einen effek­tiv­en Ret­tung­sein­satz ist eine schnelle und intu­itive Inter­ak­tion zwis­chen Men­sch und Ler­nen­den Sys­te­men notwendig. Dies erfordert zum einen eine adäquate Ver­ständi­gung zwis­chen Ein­satzkräften und Maschi­nen – expliz­it über Sprache, Gesten und impliz­it durch die Nutzung von Biosig­nalen (zum Beispiel Blick­rich­tung, Hautwider­stand, neu­ro­phys­i­ol­o­gis­che Dat­en). Zum anderen müssen robo­tis­che Sys­teme mit den Fach­leuten in ein­er Leit­stelle kom­mu­nizieren und diese bei Bedarf mit Hil­fe immer­siv­er Tech­nolo­gien in die Sit­u­a­tion vor Ort ver­set­zen.

Ler­nende Sys­teme kooperieren auf unter­schiedliche Weise mit dem Men­schen – um größere Kräfte anzubrin­gen, falls ein Sys­tem eine Auf­gabe allein nicht erfüllen kann, um spezielle Fähigkeit­en beziehungsweise Werkzeuge zu benutzen (zum Beispiel Rönt­gen­bilder erstellen oder Organ­i­sa­tion von Ver­let­z­ten­trans­ports), vor allem aber zu dem Zweck, Ret­tungskräfte abzu­sich­ern und zu unter­stützen.

Ler­nende Sys­teme analysieren ständig ihren Eigen­zu­s­tand und über­tra­gen Diag­no­se­in­for­ma­tion an ihre Zen­trale. Bei Bedarf fordern sie spezial­isierte Hil­fs- und Wartungsro­bot­er oder men­schliche Ret­tungskräfte und Wartungsper­son­al bei der Ein­sat­zleitung an.

Ler­nen für die Zukun­ft

Die von den autonomen Sys­te­men gesam­melten Infor­ma­tio­nen und erlern­ten Fähigkeit­en wer­den unter Wahrung des Daten­schutzes in entsprechende Daten­banken zur Weit­er­ver­w­er­tung über­tra­gen. Dabei wird nach effizien­ten
Ver­hal­tens­mustern in neuen Sit­u­a­tio­nen gesucht – ins­beson­dere, wenn eine Inter­ak­tion mit einem Men­schen notwendig war. Auf Basis von eigen­er und fremder Erfahrung wer­den so durch Lern­ver­fahren die Fähigkeit­en der Sys­teme opti­miert. Men­schen steuern diesen Prozess: Sie definieren Ziele und Auf­gaben, die autonom aus­ge­führt wer­den kön­nen und bee­in­flussen auch die Arbeit­steilung in gegebe­nen­falls het­ero­gen zusam­menge­set­zten Robot­erteams. Die Unter­stützung für die Ret­tungskräfte verbessert sich auf diese Weise mit jedem Ein­satz.

Ausblick

Der Ein­satz von Ler­nen­den Sys­te­men in für Men­schen lebens­feindlichen Umge­bun­gen ver­spricht großen Nutzen für die Gesellschaft. In Zukun­ft ist der Men­sch mit Hil­fe dieser Tech­nolo­gien in der Lage, Ret­tung­sein­sätze schneller, sicher­er und effizien­ter durchzuführen, neue und bish­er unzugängliche Räume zu erkun­den und zu erschließen und noch vieles mehr. Unbe­stre­it­bar ist aber: Der Men­sch als Ein­satzkraft und Entschei­der wird dabei auch zukün­ftig – vor allem bei Ein­sätzen zur Ret­tung von men­schlichem Leben – nicht erset­zbar sein.

Abb. 1: Explo­sion und Brand in ein­er Chemiefab­rik: Work­flow mit bre­it­em Ein­satz Ler­nen­der Sys­teme
Grafik: Ler­nende Sys­teme – Die Plat­tform für Kün­stliche Intel­li­genz

Foto: © www.kit.edu

Prof. Dr.-Ing. habil.
Jür­gen Bey­er­er

Leit­er des Fraun­hofer-Insti­tuts für Optron­ik, Sys­temtech­nik und Bil­dauswer­tung IOSB,

Leit­er der Arbeits­gruppe Lebens­feindliche Umge­bun­gen der Plat­tform Ler­nende Sys­teme

Foto: Fraun­hofer IOSB

Dr.-Ing.
Igor Tchouchenkov

Leit­er der Forschungs­gruppe Verteilte Sys­teme am Fraun­hofer-Insti­tut für Optron­ik, Sys­temtech­nik und Bil­dauswer­tung IOSB,

Mit­glied der Arbeits­gruppe Lebens­feindliche Umge­bun­gen der Plat­tform Ler­nende Sys­teme