Challenge 3: Nachhaltigkeit durch Automatisierung
Der Klimawandel stellt die grosse Herausforderung unserer Zeit dar, weshalb Automatisierung hier eine besonders wichtige Rolle spielt. Hier ist ihr Ziel, die Effizienz umweltverschmutzender Industrien zu verbessern (und damit den Ressourcenverbrauch und die Treibhausgasemissionen zu senken) sowie die Grundvoraussetzungen für die Energie- und Mobilitätssysteme der nächsten Generation zu schaffen.
Unsere Nachhaltigkeitsarbeit ist in vier Themen gegliedert. Unter dem Thema Mobilität widmen wir uns der Entwicklung besserer Steuerungstechniken, um die enormen Herausforderungen zu bewältigen, die mit der Gestaltung einer ressourceneffizienten und zugänglichen Mobilität verbunden sind, die dringend für eine nachhaltige Zukunft benötigt wird. Die Problemstellungen ergeben sich aus der Komplexität von Transportnetzwerken, aber auch aus Fragen betreffend die Zugänglichkeit, die Fairness und mehr.
Das zweite Thema befasst sich mit Methoden der fortschrittlichen Fertigung, die Robotik, additive Fertigung, digitale Zwillinge und mehr einsetzen. Diese Technologien schaffen durch eine verbesserte Optimierung und Steuerung (insbesondere punkto Anpassungsfähigkeit, Robustheit und Zuverlässigkeit) grundlegende Verbesserungsmöglichkeiten. Wir entwickeln Methodiken, um Prozesse zu verbessern und um die Steuerung über die Prozessgrenzen hinaus auf die Systemebene auszuweiten, was in Bereichen wie Supply Chain Management zu einem erheblichen Effizienzgewinn führen könnte.
Das dritte Thema befasst sich mit Energiesystemen. Dabei nehmen wir uns den Herausforderungen an, die sich aus der voranschreitenden Energiewende ergeben. Da die Stromerzeugung immer dezentraler und komplexer wird – wobei Verbrauchende durch Photovoltaikanlagen zu Prosumern werden – und erneuerbare Energien einen immer grösseren Bestandteil ausmachen, besteht ein dringender Bedarf an Automatisierungslösungen, um Angebot und Nachfrage zu koordinieren und trotz zunehmender Unsicherheit und Komplexität im System eine zuverlässige Versorgung sicherzustellen.
Unter dem vierten Thema widmen wir uns der komplexen Steuerung für Robotik mit dem Ziel, Methoden zu entwickeln, die es autonomen Agenten ermöglichen, sich in dynamischen Umgebungen zu regulieren, kontextuelle Befehle zu verarbeiten, mit anderen Agenten zu interagieren und so weiter. Um diese Ziele zu erreichen, haben wir uns der Herausforderung angenommen, «Model Predictive Control» mit «Deep Neurale Networks» zu kombinieren.
Thema 3.1: Mobilität
Leitung: Nikolas Geroliminis
Für eine nachhaltige Zukunft ist eine ressourceneffiziente und zugängliche Mobilität von entscheidender Bedeutung – nicht nur wegen der Auswirkungen von Emissionen, sondern auch wegen ihrer Schlüsselrolle in Bezug auf andere Nachhaltigkeitsaspekte wie den Zugang zu Transportmöglichkeiten. Neue Technologien und Fortbewegungsmöglichkeiten (von Ridehailing-Diensten bis hin zu autonomen Fahrzeugen) erschweren die bereits dringende Aufgabe der Verwaltung komplexer Verkehrsinfrastrukturen in schnell wachsenden Städten noch zusätzlich. Wenn man ausserdem Fragen punkto Anpassungsfähigkeit, Zugänglichkeit und Fairness berücksichtigt (einschliesslich der zuvor erwähnten Probleme hinsichtlich Datenaustausch und Datenschutz), wird deutlich, wie umfassend und komplex diese Herausforderung ist.
Um diese Probleme anzugehen, benötigen wir ein besseres theoretisches Verständnis. Wir bauen auf verschiedenen Steuerungstechniken auf und verbessern diese, von der hierarchischen/verteilten Steuerung bis hin zur Spieltheorie, um fortschrittliche dynamische Strategien für komplexe Mobilitätssysteme zu fördern. Wir untersuchen, wie der Betrieb dieser dynamischen Systeme durch strategische Entscheide verbessert werden kann, um unsichere Faktoren im Zusammenhang mit der Nachfrage, dem Nutzerverhalten, Staus und der Energieverfügbarkeit zu berücksichtigen.
Ansatz A: Neue Paradigmen in der inter- und multimodalen Mobilität
Mitwirkende: A. Censi, F. Corman, E. Frazzoli, N. Geroliminis, J. Lygeros
Wir entwickeln mathematische Modelle, Methoden und Simulationen für Ridesharing-Systeme, die es Fahrgästen ermöglichen, an bestimmten Knotenpunkten auf ein anderes Fortbewegungsmittel umzusteigen oder eine andere Mitfahrgelegenheit zu nutzen. Ziel ist, dem Bedarf nachzukommen, Fahrgäste und Fahrzeuglenkende, die sich auf ähnlichen Routen bewegen, zu verbinden. Ausserdem befassen wir uns mit der Entwicklung von Strategien, um den sich schnell ändernden Anforderungen in Verkehrsnetzen gerecht zu werden (d. h. die Lücke zwischen der Realität und dem aktuellen Stand der Theorie, die auf statischen Grundsätzen oder Gleichgewichtsbedingungen basiert, zu schliessen).
Ansatz B: Integration der Automatisierung in die Infrastrukturplanung für die Mobilität der Zukunft
Mitwirkende: A. Censi, F. Corman, E. Frazzoli, N. Geroliminis, G. Hug
Die Kommunikationsmöglichkeiten, die sich für die Mobilität der Zukunft ergeben, eröffnen, kombiniert mit neuen Steuerungslösungen, neue Möglichkeiten für die Gestaltung der Infrastruktur. Gleichzeitig belastet die zunehmende Elektrifizierung des Verkehrs das Stromnetz aber zunehmend. Wir befassen uns mit der Entwicklung der Ladeinfrastruktur für Fahrzeuge, wobei wir eine Vielzahl betrieblicher und planerischer Faktoren berücksichtigen.
Ansatz C: Crowd-Shipping und Crowd-Logistik in städtischen Gebieten
Mitwirkende: A. Censi, E. Frazzoli, N. Geroliminis, D. Kuhn
In Städten bringt die herkömmliche Zustellung mittels grosser Lieferwagen Stau-, Park- und Zufahrtsprobleme mit sich. Die vorgesehene Alternative dazu ist Crowd-Shipping. Dieses Konzept überlässt die Zustellung von Paketen bestimmten Personen (in der Regel solchen, die sich auf Velos fortbewegen), die ihre Route geringfügig anpassen, um diese abzuholen und auszuliefern. Wir untersuchen Übergabepunkte (um die erforderliche Abstimmung zwischen spontanen Velofahrten und langen Paketreisen durch eine Stadt zu verringern), dynamische Preisstrategien und eine mögliche Integration dieses Konzepts in grössere Transportsysteme (inklusive Ridesharing und Nahverkehr). Zudem arbeiten wir an einer Pilotstudie, um die Anwendbarkeit unter realen Bedingungen zu testen.
Thema 3.2: Fortschrittliche Fertigung
Leitung: Alisa Rupenyan
Die heutigen fortschrittlichen Fertigungsprozesse, die Technologien wie additive Fertigung (3D-Druck) und Robotik einsetzen, bieten vielfältige Möglichkeiten für verbesserte Steuerungssysteme. Modelle werden auf jeder Abstraktionsebene benötigt, von partiellen Differenzialgleichungen auf Prozessebene über ereignisgesteuerte Modelle in Produktionsanlagen bis hin zu Flussmodellen auf Systemebene. In diesem Bereich sind Faktoren wie Robustheit oder Anpassungsfähigkeit an umweltbezogene Veränderungen, Anforderungen und Störungen Grundvoraussetzungen für die Steuerung. Dabei sind sowohl datengetriebene Ansätze zur Optimierung von Steuerungsmethodiken als auch bessere Modellierungssysteme für mehr Zuverlässigkeit zentral.
Insbesondere auf Prozessebene haben wir in diesem Bereich bereits bedeutende Fortschritte erzielt: die Entwicklung neuer Methoden für die Modellierung, Optimierung und Rückkopplungssteuerung sowie daraus resultierende bemerkenswerte Verbesserungen in einer Vielzahl von Prozessen. Digitale Zwillinge (wir halten sie auf dem neusten Stand und nutzen sie als Datengeneratoren) sind ein wichtiger Bestandteil dieser Forschungsarbeit. Über die Prozessebene hinaus haben wir Optimierungs- und Steuerungsansätze für die Planung und den Einsatz auf verschiedenen Ebenen in der Produktion (System, Prozess, vernetzte Systeme) aufgezeigt. Mit Blick auf die Zukunft gehen wir zentrale Herausforderungen in der Forschung an, die sich aus neuen wegweisenden Konzepten ergeben (z. B. individualisierte Produktion, kollaborative Fertigung, roboterbasierte Fertigung und «Zero Defect Manufacturing»), die aus Sicht System und Steuerung zuerst aber noch einer Formalisierung bedürfen.
Ansatz A: Automatisierung auf Prozessebene
Mitwirkende: E. Balta, A. Karimi, J. Lygeros, A. Rupenyan
Die komplexen physikalischen und/oder chemischen Phänomene, die Teil von vielen Fertigungsprozessen sind, stellen eine unüberwindbare Herausforderung für rein modellbasierte Ansätze dar, die möglicherweise zu komplex oder zu ungenau sind, um überhaupt von Nutzen zu sein. Wir verwenden datengetriebene Methoden, um diese Lücke zu schliessen und verbinden die Robotersteuerung und das kontextuelle Verständnis für die Umgebung mit physikbasierten Modellen und logischen Regeln.
Ansatz B: Von der Prozessebene zur Systemebene
Mitwirkende: E. Balta, J. Lygeros, A. Rupenyan
Über die Steuerung auf Prozessebene hinaus wollen wir Designprinzipien entwickeln, um einerseits Informationen von der Prozessebene zu abstrahieren und entsprechend Entscheide auf Systemebene zu beeinflussen (Bedarfsprognosen, Supply Chain Management usw.) und um andererseits übergeordnete Steuerungsziele an die Prozessebene weiterzugeben. Dabei spielen Herausforderungen aus der Spieltheorie wie Wettbewerbsverhalten oder Informationsaustausch eine zentrale Rolle. Unser langfristiges Ziel ist, einen ganzheitlichen Optimierungsansatz über alle Ebenen innerhalb des Ökosystems der Herstellung zu erzielen, mit dem wir Verbesserungen hinsichtlich Nachhaltigkeit, aber auch andere Optimierungen, z. B. betreffend Herstellungskosten und Widerstandsfähigkeit, erreichen.
Ansatz C: Die Technologie digitaler Zwillinge
Mitwirkende: E. Balta, P. Heer, A. Rupenyan
Digitale Zwillinge sind Kopien eines Systems, die sich auf der Grundlage von aktualisierten Daten und Anpassungen analog zum realen System verändern. Sie bergen grosses Potenzial hinsichtlich betrieblicher Aspekte wie vorausschauende Wartung, Planung und mehr. Da der digitale Zwilling basierend auf Prozessdaten reguliert wird, muss der ihm zugrunde liegende Steuerungsalgorithmus angepasst werden. Daraus ergibt sich ein ideales Testfeld für die Forschung zu «Lifelong Learning Control » (vgl. Thema 1.4).
Thema 3.3: Energiesysteme
Leitung: Philipp Heer
Mit dem Ziel, Netto-Null-Emissionen zu erreichen, geht im Energiesektor ein (immer schneller voranschreitender) Wandel vonstatten. Er bewegt sich von einem Zentralversorgungssystem, das überwiegend auf fossilen Energieträgern baut, hin zu einem stärker dezentralisierten und erneuerbaren System, das eine ausgeprägte Digitalisierung, aber auch damit verbundene Herausforderungen mit sich bringt.
Die neuen Systeme bieten viel Potenzial für Flexibilität, komplexe Steuerung und bisher ungenutzte Synergien aus Planung und Betrieb. Im Vergleich zur klassischen Stromerzeugung weisen sie ausserdem ein höheres Mass an Variabilität aus (insbesondere die Photovoltaik, die z. B. die Wetterabhängigkeit ins Spiel bringt). Aus diesem Grund sind Flexibilität und ein lokaler Ausgleich in der Bereitstellung von Energie aus dezentralen Ressourcen von grosser Bedeutung. Entsprechend sind allgemeine und anpassungsfähige Systeme gefordert, um Angebot und Nachfrage zwischen Verbrauchenden und dezentralen Ressourcen koordinieren zu können.
Darüber hinaus müssen langfristige Strategien entwickelt werden, um die gegenseitige Abhängigkeit von Planung und Betrieb von Energiesystemen zu koordinieren, einschliesslich der Nutzung digitaler Zwillinge.
Ansatz A: Abstraktion von Ebenen im Energiesystem
Mitwirkende: P. Heer, S. Mastellone, A. Rupenyan
Die umfassende Einführung von leistungselektronischen Umrichtern in Energie- und Industrieprozessen hat diese Anwendungen in hochdynamische, interaktive Systeme verwandelt. Da diese Technologien eine Vielzahl von Anwendungen in unterschiedlichen Zeit- und Raumskalen bedienen können, ist es sinnvoll, einen adaptiven Rahmen (mit verschiedenen Abstraktionsebenen) für unterschiedliche Anwendungsfälle zu entwickeln. Unser Ziel ist, einen einheitlichen Rahmen zu definieren, der der Komplexität der Leistungsflussregulierung über verschiedene mechanische und elektrische Komponenten hinweg gerecht wird, um die allgemeine Versorgungssicherheit zu gewährleisten. Darüber hinaus wollen wir das Verständnis für den Austausch relevanter Informationen von und zu den unteren Ebenen verbessern, um von relevanten Daten mit vernachlässigbarem Informationsverlust abstrahieren zu können. Dieses Vorhaben erfordert modulares Denken, das verschiedene Disziplinen, von der Technik über die Wirtschaft bis hin zur Politik, vereint.
Ansatz B: Koordination dezentraler Energiequellen
Mitwirkende: P. Heer, G. Hug, C. Jones, J. Lygeros, S. Mastellone, V. Medici, D. Shaw
Die Schweiz verfügt über einen regulatorischen Rahmen für die lokale Koordination von Energieprosumern. Trotzdem ist dieser noch nicht umfassend implementiert. Durch einen sogenannten ZEV (Zusammenschluss zum Eigenverbrauch) können mehrere Parteien in einer Nachbarschaft als eine zusammengeschlossene Partei fungieren (und als solche über das Versorgungsunternehmen abgerechnet werden). In diesem Rahmen wollen wir (1) einen Ansatz zur Bildung von Gebäudeclustern ableiten, um den Bedarf für einen zentralen Ausgleich zu minimieren; (2) die Koordination zwischen Häusern automatisieren, um Effizienz und Datenschutz zu gewährleisten; (3) einen Mechanismus definieren, der Anreize für eine effektive Koordination zwischen den Clustern schafft. Ausserdem nehmen wir uns den daraus entstehenden ethischen Fragenstellungen an, z. B. dem Risiko, dass gewisse Anreize bestimmte bereits privilegierte Gruppen zusätzlich begünstigen könnten oder der Frage, ob Märkte tatsächlich der fairste und ethischste Mechanismus zur Koordinierung der Energieverteilung sind.
Ansatz C: Parallele Entwicklung von Energiesystemdesign und Steuerung über den gesamten Lebenszyklus
Mitwirkende: A. Censi, E. Frazzoli, P. Heer, G. Hug
Bei der Planung der Energiesysteme eines Gebäudes müssen Entscheide zwangsläufig basierend auf vielen Annahmen und Vereinfachungen gefällt werden. In diesem frühen Stadium liegen natürlich weder Daten über die tatsächliche Nutzung vor, noch ist es möglich vorherzusehen, wie sich die Bedürfnisse über die folgenden plus 50 Jahre der Lebensdauer eines Gebäudes entwickeln werden. Unser Ziel ist, effiziente Berechnungstools zu entwickeln, um die Entscheidungsfindung zu verbessern (unter Berücksichtigung von Flexibilitäts- und Redundanzmassnahmen, um die Zuverlässigkeit in einem hochautomatisierten System zu gewährleisten) und vor allem um Transparenz zu schaffen (die derzeit in datengetriebenen Steuerungstechniken fehlt), die es Betreibenden ermöglicht, die Mechanismen hinter automatisierten Prozessen zu verstehen, was folglich zu mehr Vertrauen und einer bessern Problemlösung führt.
Thema 3.4: Komplexe Steuerung für Robotik
Leitung: Marco Hutter
Zukünftige automatisierte Systeme, z. B. selbstfahrende Autos oder Haushaltsroboter, müssen lernen, sich in dynamischen Umgebungen zurechtzufinden, kontextbezogene Befehle zu verarbeiten, mit anderen Agenten zu interagieren usw. – Einschränkungen und Verfahren, die sich nur schwer oder gar nicht präzise formulieren lassen. Wir verfolgen das Ideal eines allgemein anwendbaren Algorithmus für solche Szenarien, wobei wir anstelle von manuellem Design auf den Erfolg von Lernalgorithmen setzen, die komplexe Zusammenhänge aus einer grossen Menge an Erfahrungswerten erfassen können.
Dabei zielen wir auf die Mobilitäts- und Manipulationsfähigkeiten von Menschen und Tieren für Roboter ab, indem wir mit minimalem Einsatz menschlicher Ingenieurskunst aus Offline- und Online-Erfahrungen lernen. Unser Hauptansatz besteht aus der Kombination von «Model Predictive Control» (MPC, ein Schwerpunkt des NFS Automation) und «Deep Reinforcement Learning», einem gut erforschten Ansatz in den Bereichen «Machine Learning«, «Computer Vision» und «Natural Language Processing». Dieses Vorgehen bringt aber auch gewisse Herausforderungen mit sich. Während der Ansatz von MPC für die Möglichkeit steht, (nahezu) optimale Lösungen schnell finden zu können, sind die Modelle aus «Deep Neuronal Networks» stark nicht linear. Ausserdem weisen traditionelle Modelle im Vergleich zu «Deep Models» eine vernachlässigbare Anzahl von Parametern auf.
Ansatz A: «Deep Model Predictive Control» in der Robotik
Mitwirkende: M. Hutter, C. Jones, M. Zeilinger
Aufgrund der Komplexität und Unsicherheit der Systemdynamik sowie wegen begrenzter Rechenleistung stellt die Steuerung der Fortbewegung auf Beinen in unwegsamem Gelände eine grosse Herausforderung dar. Unser Ziel ist, wahrnehmungsbasierte Steuerungen (mittels visuell basierter MPC zur Ausgleichung sensorbedingter Einschränkungen) zu entwickeln, indem wir die beiden komplementären Ansätzen MPC und «Reinforcement Learning» miteinander kombinieren, diese im vierbeinigen Roboter ANYmal und in humanoiden Robotersystemen der ETH Zürich testen und die Forschungsarbeit in Simulationen und Realexperimenten mit bestehenden Ansätzen vergleichen.
Ansatz B: Mensch-Roboter-Interaktion
Mitwirkende: A. Censi, E. Frazzoli, P. Heer, D. Shaw, M. Zeilinger
«Machine Learning» verbreitet sich immer weiter und wir bleiben weiterhin mit dem Dilemma konfrontiert, wie maschinell generierte Entscheidungen vor dem Hintergrund fehlender Transparenz und Erklärbarkeit evaluiert werden können. Aus rechtlichen und haftungsrechtlichen Gründen müssen wir beispielsweise dringend dazu in der Lage sein, Entscheidungen von autonomen Fahrzeugen zu verstehen. Aufbauend auf der bisherigen Forschungsarbeit am NFS Automation werden wir zwei gegensätzliche Ansätze untersuchen: einerseits einen Ansatz, der auf einem «Regelwerk» basiert (bei dem die Entscheidungsfindung durch klar definierte hierarchische Regeln beeinflusst wird) und andererseits einen datengetriebenen Lernansatz (der zukünftigen Unsicherheiten möglicherweise besser gerecht wird). Ziel davon sind besser fundierte zukünftige Entwicklungen in Systemen mit autonomer Entscheidungsfindung. Wir erforschen auch die ethischen Aspekte der Interaktion zwischen Menschen und humanoiden Robotern, insbesondere im Kontext der Pflege betagter Menschen.
Ansatz C: Autonome Roboter
Mitwirkende: A. Censi, E. Frazzoli, M. Hutter
Die dritte Revolution in der Robotik wird die Integration mobiler Robotiksysteme in unstrukturierte Alltagsumgebungen mit sich bringen und den Menschen letzten Endes in einer Reihe gefährlicher und mühseliger Arbeiten ersetzen. Wir erforschen mobile manipulative Robotersysteme auf Beinen für Inspektions- und Wartungsaufgaben. Beginnend bei End-to-End-Systemen für die Navigation und die Fortbewegung werden wir mit «Reinforcement Learning» die Fähigkeiten von Agenten auf kombinierte Fortbewegung und Manipulation ausweiten und damit eine noch nie dagewesene Vielseitigkeit und Agilität erreichen. Unser übergeordnetes Ziel ist die Entwicklung einer Multi-Agenten-Lösung zur Koordination einer Roboterflotte.
Themenverwandte Publikationen und Datensätze und News.
