(Quelle: Team PFN)

Die Finalisten der Amazon Picking Challenge im Porträt: Team PFN, Preferred Networks, Inc., Japan

,
apc_team-pfn

(Quelle: Team PFN)

Wir stellen die Finalisten der Amazon Picking Challenge 2016 vor: PFN steht für Preferred Networks. Das Unternehmen wurde im März 2014 gegründet und beschäftigt am Hauptsitz in Tokio und im kalifornischen San Mateo rund 40 Ingenieure und Wissenschaftler. Das PFN-Team für die Amazon Picking Challenge wird geleitet von Tobias Pfeiffer. Die Forschungsgruppe umfasst sieben aktive Mitglieder sowie drei Mitglieder in beratender Funktion.

Unser Team besteht aus Mitgliedern aus verschiedenen Bereichen der Industrie und Wissenschaft. Eines unserer Kompetenzfelder ist das Deep Learning, ein Bereich des maschinellen Lernens. Unter Deep Learning versteht man ein riesiges künstliches neurales Netzwerk, vergleichbar mit dem menschlichen Gehirn, das dazu genutzt wird, einem Computer beizubringen, wie er eine bestimmte Aufgabe durch ein Beispiel oder Ausprobieren löst. Ein paar unserer Team-Mitglieder kommen aus dem Bereich Computervision und haben Erfahrung im Bereich Objekterkennung in Bilddaten. Andere Mitglieder sind Experten auf dem Gebiet der Robotik und haben Erfahrung im Bereich Hardwarekonstruktion und Steuerung.

In der jetzigen Zusammensetzung nimmt unser Team das erste Mal an einem Robotics-Wettbewerb teil, aber einzelne Mitglieder haben schon bei verschiedenen Programmen und Roboter-Wettbewerben mitgemacht und unter anderem die „Japan Open“ in der RoboCup Soccer Small Size League gewonnen.

An der Amazon Picking Challenge nehmen wir teil, weil wir zeigen möchten, was dabei herauskommt, wenn man die Deep-Learning-Technologie mit Robotics zusammenführt.

Wir glauben, dass Deep Learning eine große Rolle in der Zukunft der Fertigungsindustrie spielen wird. Bei der Amazon Picking Challenge stellen die unterschiedlichen Formen der Objekte für das Greifen eine der größten Herausforderungen für uns dar. Für das Picken bzw. Greifen der Objekte benutzen wir einen Vakuumsauger und ähnliche Geräte dieser Art, aber manche Artikel, die verarbeitet werden müssen, sind zu schwer dafür. Manche Objekte haben eine Netzstruktur mit vielen Löchern und können deshalb nicht richtig angesaugt werden. Wir haben einen anderen Endeffektor mit einer Hand konstruiert, doch auch bei dieser Lösung verbesserte sich die Problematik mit den verschiedenen Formen nicht.

Ein passender Lernalgorithmus für die Objekterkennung in Kameradaten und die Lokalisierung des besten Greifpunktes am Objekt sind weitere Herausforderungen dieses Wettbewerbs. Deep Learning ist eine sehr wirkungsvolle Technologie, doch es gibt viele verschiedene Algorithmen, und jeder Algorithmus benötigt eine Reihe von Parametern, um für die beste Leistung genau eingestellt werden zu können.