Modulares intelligente Transportsystem in der Intralogistik -moiTra-

Die Automatisierung greift im Zuge der Digitalisierung immer weiter um sich. Das gilt selbst-verständlich auch für die Logistik – und dort für mittlerweile alle Bereiche. Ein Blick in das eine oder andere Logistikzentrum o˙enbart bereits, wohin die Reise geht. Dabei muss man nicht einmal mehr nach China blicken – auch wenn dort gerade im Hinblick auf die sogenannten AGVs (Automated Guided Vehicles) der aktuell wohl höchste Einsatzgrad zu beobachten ist.Die globale Roboterdichte in der Industrie und in der Logistik hat einen neuen Spitzenwert er-reicht. Und das ist kein Wunder: Nie war der Bedarf an skalierbaren, flexiblen und autonomen Systemen so hoch wie heute. Außerdem machen immer niedrigere Anscha˙ungspreise Roboter zu einer attraktiven Lösung für mehr und mehr potenzielle Anwender.

Das konkrete Ziel des Vorhabens ist es, ein funkbasiertes fahrerloses Transportsystem für die Intralogistik zu entwickeln, welches auf Grund der mittelsTensorformaten entwickelten Logik zum einen eine hohe Ausfallsicherheit bietet und zum anderen schnell an neue Aufgabenfelder angepasst werden kann.Der Vorteil von neuronalen Transformaten ist die adaptive Dimension eines maschinellen Lernproblems.Hierdurch kann ein KI-System eine ganze Folge von unterschiedlichen Aufgabenstellungen lösen und somit schon einmal erworbene Fähigkeiten auf neue Problemstellungen übertagen. Ferner können Agenten beim bestärkenden Lernen ihren Zustands- und Aktionsraum adaptiv anpassen und somit ihre Wahrnehmungen und Handlungen vielfältig erweitern. Bereits erlerntes Wissen geht dabei nicht verloren. Neuronale Tensorformate heben die Möglichkeiten des maschinellen Lernens auf eine neue Ebene. Sie stellen eine Innovation gegenüber künstlichen neuronalen Netzen dar und sind in Bezug auf die Qualität der Vorhersagen und deren effizienter Berechnung den traditionellen Ansätzen überlegen. Neuronale Tensorformate ermöglichen die adaptive Veränderung der zugehörigen Dimension eines maschinellen Lernproblems und können damit einmal erworbene Fähigkeiten bei neuen ML-Problemen weiter verfeinern. Mit dem aktuellen Vorhaben leisten wir einen grundlegenden Beitrag bei der praxisrelevanten Umsetzung von neuronalen Tensorformaten beim maschinellen Lernen. Mittels der Weitergabe von Wissen und separierten Wissenskomponenten erschaffen wir eine praxisgerechte evolutionäre wissensbasierte künstliche Intelligenz.