ABB hat kürzlich einen Pancake Picker gezeigt, der eine erstaunliche Ppm-Rate (Pancakes per minute1) besitzt. Zumindest scheint dieses Maß ein vernünftiges zu sein, um die Leistung des Pancake Pickers zu bewerten.
ABB Pancake Picker
Mit seinen 400 Ppm (Pancakes per minute) stellt er die vormals eingesetzten menschlichen Pancake Picker in den Schatten.
Wer nun auch dem Charme des Videos mit seiner dramatischen Musik, der Missionsankündigung zu Beginn, den Pancakes per minute und dem Pancake Buffer erlegen ist, der kennt den Grund für diesen Blogeintrag. Ganz davon ab, dass ich den Robotern über Minuten dabei zusehen könnte, wie sie die kleinen Pfannkuchen in verschiedenen Konfigurationen stapeln und die Geschwindigkeit und Präzision der Roboter wirklich erstaunlich ist.
Noch ein wenig technischer Hintergrund: Bei den vier Robotern handelt es sich um ABBs FlexPicker, die über eine Steuerung angesprochen werden, die den großartigen Namen Pickmaster 3.2 trägt. Jeder der Roboter ist durch eine 4Gb-Ethernet-Kamera unterstützt, die vor ihm über dem Förderband angebracht ist und die Position der Pancakes erkennt.
Vorausschauend Fahren ist sowohl aus sicherheitstechnischen als auch aus ökologischen Gründen im Straßenverkehr geboten. Das können Menschen aktuell noch sehr viel besser als Fahrerassistenzsysteme. Fahrerassistenzsysteme setzen, um den Fahrer während der Fahrt zu unterstützen, in der Regel auf eine Kombination aus mehreren Sensoren. Sie können allerdings nicht so viele Informationen wie der Fahrer selbst in die Bewertung der Situation einfließen lassen und dementsprechend nicht so vorausschauend fahren. Der Fahrer weiß, wie eilig er es hat, wohin er will und greift auf einen reichen Erfahrungsschatz vergangener Autofahrten zurück.
Das EU-Projekt DRIVSCO hat ein System entwickelt, um diesen Erfahrungsschatz und die Fähigkeit, vorausschauend zu fahren, Fahrerassistenzsystemen anzueignen. Das System soll dafür tagsüber vom Fahrer lernen und das Gelernte nachts anwenden können. Nachts nämlich sind Fahrerassistenzsysteme dem menschlichen Fahrer in einer Hinsicht überlegen: sie können Infrarotkameras nutzen und damit sehr viel weiter sehen, als der Mensch es nachts kann. Das multi-nationale Projekt DRIVSCO unter Leitung des Bernstein Zentrum für Computational Neuroscience und der Universität Göttingen ist bereits abgeschlossen und hat die Ergebnisss in einen Prototypen gegossen, den Hella in ein Testfahrzeug eingebaut wurde.
Das Assistenzsystem lernt, indem es tagsüber in jeder Situation versucht, die Verkehrssituation anhand von Kameras zu erkennen und die dazugehörigen Fahrmanöver speichert. Die Verkehrssituation ergibt sich zum Beispiel aus der Straßensituation, dem Radius der folgenden Kurve, Hindernissen und Autos in der Umgebung. Das dazugehörige Fahrmanöver ist die Lenkbewegung und die Beschleunigung oder das Abbremsen des Autos. So erhält das System eine Datenbasis, die das Verhalten des Fahrer repräsentiert und kann nun versuchen, dieses Verhalten nachzuahmen. Lernen (Lehren) durch Demonstration.
Nachts vergleicht das System die aktuelle Fahrweise des Fahrers mit der bei Tag aufgezeichneten Datenbasis, da das System die Fahrsituation auch nachts aufgrund der Infrarotbilder gut erkennen kann. Weicht die Fahrweise des Fahrers deutlich von der Fahrweise tagsüber ab, interpretiert das System, dass die Situation für den Fahrer nicht gut erkennbar oder falsch eingeschätzt ist und warnt den Fahrer.
Wie sich ein solches Fahrerassistenzsystem in der Praxis anfühlt, wäre interessant zu erfahren. Vielleicht wird ein solches System ja von Autofahrern eher akzeptiert, wenn sie wissen, dass die aktuellen Vorschläge nicht aufgrund von Verkehrsregeln und externen Vorgaben erzeugt werden, sondern quasi die eigenen Vorschläge sind, da sie auf der eigenen Datenbasis berühren.
Man wird sozusagen nachts von sich selbst assistiert. Eine schöne Vorstellung.
Autoversicherer dürften sich dabei auch die Hände reiben, da eine solche Datenbasis eine herrlich detaillierte Aussage über die Fahrweise des Fahrers zulässt und damit eine neue Berechnungsgrundlage für den personalisierten Versicherungstarif.
