{"id":78239,"date":"2022-01-04T02:19:00","date_gmt":"2022-01-04T01:19:00","guid":{"rendered":"https:\/\/www.sonnenseite.com\/?p=78239"},"modified":"2022-01-03T09:19:43","modified_gmt":"2022-01-03T08:19:43","slug":"roboter-sammeln-unterwasser-muell-auf","status":"publish","type":"post","link":"https:\/\/www.sonnenseite.com\/de\/wissenschaft\/roboter-sammeln-unterwasser-muell-auf\/","title":{"rendered":"Roboter sammeln Unterwasser-M\u00fcll auf"},"content":{"rendered":"\n

Das Sammeln von M\u00fcll in Ozeanen und Meeren ist sehr aufwendig und teuer. Ein Team der Technischen Universit\u00e4t M\u00fcnchen (TUM) entwickelt in einem europ\u00e4ischen Kooperationsprojekt ein Robotersystem, das Abfall Unterwasser ortet und einsammeln kann. Dabei kommen Methoden des maschinellen Lernens zum Einsatz.<\/p>\n\n\n\n

In unseren Meeren und Ozeanen befinden sich aktuell zwischen 26 und 66 Millionen Tonnen Plastikm\u00fcll. Der gr\u00f6\u00dfte Anteil davon liegt auf dem Meeresboden. Eine gewaltige Bedrohung f\u00fcr dort lebende Pflanzen und Tiere sowie das \u00f6kologische Gleichgewicht der Meere.<\/p>\n\n\n\n

Doch das Reinigen der Gew\u00e4sser ist aufwendig, teuer und oft auch gef\u00e4hrlich, weil h\u00e4ufig Taucher eingesetzt werden m\u00fcssen. Au\u00dferdem konzentrieren sich Reinigungsaktionen meist auf die Wasseroberfl\u00e4che. Ein Team der TUM hat sich mit acht europ\u00e4ischen Partner-Instituten im Projekt SeaClear<\/a> zusammengetan und entwickelt ein Robotersystem, das auch Unterwasser M\u00fcll einsammeln kann.  <\/p>\n\n\n\n

Vier Roboter agieren gemeinsam<\/h5>\n\n\n\n

Das System setzt sich aus vier einzelnen Roboter-Komponenten zusammen: Ein autonom fahrendes Roboter-Boot f\u00fchrt einen ersten Scan des Meeresbodens durch und lokalisiert dabei gr\u00f6\u00dfere M\u00fcllansammlungen. Dann wird ein Beobachtungs-Roboter ins Wasser gelassen, der den M\u00fcll in der Tiefe aufsp\u00fcrt und gleichzeitig weitere Informationen wie Nahaufnahmen des Meeresbodens an die Rechner liefert.<\/p>\n\n\n\n

Bei klarem Wasser und guten Sichtverh\u00e4ltnissen sorgt zus\u00e4tzlich eine Drohne aus der Luft daf\u00fcr, dass weiterer M\u00fcll im Wasser erkannt wird. Mit Hilfe all dieser Informationen wird eine virtuelle Karte erzeugt. Ein Sammel-Roboter f\u00e4hrt dann bestimmte Punkte an der Karte ab und sammelt den M\u00fcll auf. Dabei werden gr\u00f6\u00dfere Teile mit Hilfe eines Greifers in einem Korb, der mit dem Schiff verbunden ist, abtransportiert.<\/p>\n\n\n\n

Herausforderung Str\u00f6mung<\/h5>\n\n\n\n

\u201eAutonome Roboter f\u00fcr den Einsatz Unterwasser zu entwickeln stellt eine ganz besondere Herausforderung\u201c sagt Dr. Stefan Sosnowski, Technischer Leiter des SeaClear-Projekts am Lehrstuhl f\u00fcr Informationstechnische Regelung an der TUM. Denn anders als an Land herrschen im Wasser ganz besondere Bedingungen. \u201eSobald ein St\u00fcck M\u00fcll identifiziert und geortet wurde, muss sich der Roboter zun\u00e4chst in dessen N\u00e4he bewegen. Dabei kann er mitunter auf starke Str\u00f6mungen treffen, gegen die er sich durchsetzen muss. Das richtig auszusteuern, ist Aufgabe der TUM im SeaClear-Projekt.\u201c<\/p>\n\n\n\n

Effizientes Machine Learning<\/h5>\n\n\n\n

Daf\u00fcr verwendet das Team Methoden des maschinellen Lernens. Eine K\u00fcnstliche Intelligenz (KI) berechnet und lernt, wann und unter welchen Bedingungen sich der Roboter auf eine bestimmte Weise bewegt. So k\u00f6nnen genaue Vorhersagen \u00fcber sein Verhalten getroffen werden.<\/p>\n\n\n\n

\u201eEine weitere Herausforderung ist, dass wir nicht die gewohnte Rechenleistung wie an Land zur Verf\u00fcgung haben\u201c sagt Prof. Sandra Hirche, Leiterin des Lehrstuhls und dortige SeaClear Projektkoordinatorin. \u201eEs gibt keine Anbindung an gro\u00dfe Rechenzentren mit Hochleistungscomputern. Die Algorithmen, die wir entwickeln, m\u00fcssen daher m\u00f6glichst effizient und ressourcenschonend sein. Deswegen arbeiten wir schon seit einiger Zeit an Methoden mit hoher \u201eSampling Efficiency\u201c, die mit m\u00f6glichst wenig Daten m\u00f6glichst gute Vorhersagen treffen k\u00f6nnen. Nicht ben\u00f6tigte Informationen werden von der KI einfach vergessen.\u201c<\/p>\n\n\n\n

Erfolgsquote von 90%<\/h5>\n\n\n\n

Wenn das SeaClear-System einmal voll einsatzf\u00e4hig ist, soll es Unterwasserabf\u00e4lle mit einer prognostizierten Quote von 80% klassifizieren und zu 90% erfolgreich einsammeln \u2013 vergleichbar mit dem Erfolg beim Einsatz von Tauchern. Erste Versuche mit dem Prototyp wurden im Oktober 2021 im kroatischen Dubrovnik durchgef\u00fchrt. Im Mai 2022 soll es weitere Versuche im Hamburger Hafen geben.<\/p>\n\n\n\n