Startseite » Sicherheitsingenieur »

Lernende Systeme in menschenfeindlichen Umgebungen

Zum Schutz des Menschen
Lernende Systeme in menschenfeindlichen Umgebungen

AdobeStock_125504852.jpg
In lebensfeindlichen Situationen können Lernende Systeme die Sicherheit von Menschen deutlich erhöhen. Foto: © Federico – stock.adobe.com
Anzeige
Ob bei der Erkun­dung von schw­er zugänglichem Ter­rain, bei Wartungsar­beit­en in der Tief­see oder im Katas­tro­phen­schutz – Kün­stliche Intel­li­genz (KI) kann den Men­schen bei Arbeit­en in gefährlichen Umge­bun­gen wirk­sam unter­stützen und schützen.

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

Anzeige
Newsletter

Jet­zt unseren Newslet­ter abon­nieren

Meistgelesen

Jobs
Sicherheitsbeauftragter
Titelbild Sicherheitsbeauftragter 9
Ausgabe
9.2020
ABO
Sicherheitsingenieur
Titelbild Sicherheitsingenieur 9
Ausgabe
9.2020
ABO
Anzeige
Anzeige

Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de