{"id":6124,"date":"2025-02-28T06:59:53","date_gmt":"2025-02-28T05:59:53","guid":{"rendered":"urn:uuid:789da1e8-8422-4c3e-8e1b-f0e09b2dd15f"},"modified":"2025-02-28T06:59:55","modified_gmt":"2025-02-28T05:59:55","slug":"human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics","status":"publish","type":"post","link":"https:\/\/kawasakirobotics.com\/de\/blog\/human-ingenuity-kippei-matsudas-journey-from-nfl-ai-competition-winner-to-ai-solution-developer-at-kawasaki-robotics\/","title":{"rendered":"Menschlicher Einfallsreichtum: Kippei Matsuda’s Weg vom Gewinner des NFL AI-Wettbewerbs zum Entwickler von AI-L\u00f6sungen bei Kawasaki Robotics."},"content":{"rendered":"\n

Der Ingenieur Kippei Matsuda von Kawasaki Robotics hat eine bemerkenswerte Leistung vollbracht, indem er den Wettbewerb „NFL Health & Safety – Helmet Assignment“ im Jahr 2022 gewonnen hat. Dabei handelt es sich um eine hart umk\u00e4mpfte Veranstaltung, die von der National Football League (NFL) und Amazon.com, Inc. auf Kaggle, einer globalen KI-Datenanalyseplattform, ausgerichtet wurde. Wir sprachen mit Matsuda dar\u00fcber, wie er den Wettbewerb gegen ehrgeizige KI-Entwickler auf der ganzen Welt gewann und wie Kawasaki Robotics derzeit die Technologie f\u00fcr verschiedene L\u00f6sungen entwickelt.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"
Kippei Matsuda: Entwicklungsabteilung f\u00fcr Robotertechnologie, Entwicklungszentrum f\u00fcr Systemtechnologie, Abteilung f\u00fcr Technologieentwicklung. Dr. (Technik)<\/figcaption><\/figure>\n\n\n\n

Beschreiben Sie die Herausforderung der NFL, die L\u00f6sung und was machte sie so spannend?<\/h2>\n\n\n\n

Ziel des Wettbewerbs war es, Kollisionen von Spielern zu erkennen. Mehr als 1.000 Datenwissenschaftler weltweit traten an, um eine genaue L\u00f6sung auf der Grundlage von NFL-Spielmaterial und Sensordaten zu entwickeln. American Football ist bekanntlich eine der h\u00e4rtesten und k\u00f6rperlich anstrengendsten Sportarten der Welt, bei der es zu heftigen Kontakten kommt, und obwohl die Spieler Schutzkleidung tragen, sind Verletzungen keine Seltenheit. Insbesondere Kollisionen mit dem Kopf f\u00fchren oft zu schweren Verletzungen oder Behinderungen, und es ist eine Herausforderung, Wege zu finden, um die Auswirkungen von Kollisionen zu verringern und eine wirksame Behandlung nach einer Verletzung zu erm\u00f6glichen.<\/p>\n\n\n\n

Wenn wir genau feststellen k\u00f6nnten, welche Spieler w\u00e4hrend eines Spiels Kopfverletzungen erlitten haben, k\u00f6nnten wir eine wirksame Behandlung durchf\u00fchren und die Erforschung der Auswirkungen von Helmen und der M\u00f6glichkeiten zur Minderung der Folgen vorantreiben. Diese Art von Forschung manuell durchzuf\u00fchren, w\u00e4re extrem zeitaufw\u00e4ndig, weshalb die NFL diesen Wettbewerb ausgeschrieben hat, um dieses Problem mit Hilfe von KI-Technologie zu l\u00f6sen.<\/p>\n\n\n\n

\n

Der Schl\u00fcssel zum Erfolg lag in der erfolgreichen Integration von zwei unterschiedlichen Datentypen, n\u00e4mlich Video- und Sensorinformationen. Wir nutzten Videobilder, um Zusammenst\u00f6\u00dfe zwischen Spielern zu erkennen, und sch\u00e4tzten die Position der Spieler mithilfe von Sensoren, die an den Spielern angebracht waren. Die Entwicklung eines KI-Systems, das selbst kleinste Ver\u00e4nderungen der Spielerposition und -haltung, wie z. B. das Hocken oder Fallen, sorgf\u00e4ltig analysiert und vorhersagt, hat uns von anderen abgehoben. Diese Innovation verbesserte unsere Genauigkeit im Vergleich zu anderen Teilnehmern erheblich. Infolgedessen war unsere Verarbeitungsgeschwindigkeit 83-mal h\u00f6her als bei der manuellen Bearbeitung, und Aufgaben, die bisher 3 bis 4 Tage in Anspruch nahmen, konnten nun in nur 2 Stunden erledigt werden, was wir sehr zu sch\u00e4tzen wussten.<\/span><\/strong><\/em><\/p>\nKippei Matsuda<\/span><\/cite><\/blockquote>\n\n\n\n

Im Allgemeinen geht es bei der KI-Bildanalyse um die Erkennung von Objekten in Bildern, aber in diesem Wettbewerb mussten wir die dreidimensionalen (3D) Positionen der Spieler auf dem Spielfeld auf dem Bildschirm ber\u00fccksichtigen, was eine spannende Herausforderung war, die wir noch nie zuvor gemacht hatten. Es ist schwierig, Daten zu analysieren, weil man sie sich immer wieder ansehen muss, aber das NFL-Video war so beeindruckend, dass ich es mir immer wieder gerne angesehen habe. So konnte ich mir am Ende des Wettbewerbs die Bewegungen der Spieler vorstellen, indem ich mir einfach die Titel der Videos ansah.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Was hat Sie dazu bewogen, an der NFL-Challenge teilzunehmen und welche Ergebnisse haben Sie erzielt?<\/h2>\n\n\n\n

Es fing damit an, dass ich dachte, es k\u00f6nnte ein Teil meines Studiums sein. Theoretische Aspekte kann man aus B\u00fcchern und anderen Quellen lernen, aber zu wissen, wie man tats\u00e4chliche Daten verwendet und eine Simulation durchf\u00fchrt, ist schwierig. Als Entwickler ist das Anfassen und Analysieren von Daten und die Wiederholung von Versuch und Irrtum unerl\u00e4sslich. Der Wettbewerb hat mich gereizt, weil er Materialien bereitstellte, die zum praktischen Lernen f\u00fchrten.<\/p>\n\n\n\n

„Die Teilnahme am Wettbewerb erm\u00f6glichte es mir, die KI-Entwicklung in die Praxis umzusetzen.<\/mark><\/span><\/em><\/p>Kippei Matsuda <\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Ehrlich gesagt, habe ich den Wettbewerb selbst nie als schwierig empfunden; was schwierig war, war, Zeit f\u00fcr mein Studium und meine Familie zu finden, da ich in meiner Freizeit daran gearbeitet habe. Wenn ich mit meinen Kindern im Park spielte, dachte ich pl\u00f6tzlich: „Vielleicht k\u00f6nnte ich diesen Teil so machen“, und das hat mich gest\u00f6rt. Es war schwer, sich zu entspannen.<\/p>\n\n\n\n

Ich sa\u00df im Zug und zitterte. Seit Beginn des Projekts habe ich nicht geglaubt, dass ich gewinnen k\u00f6nnte, aber als ich es dann tat, war ich begeistert. Ich kann mich nicht beschweren, dass ich gewonnen habe, und war gl\u00fccklich, die Nachricht mit allen in meinem Umfeld zu teilen. Ich konnte an diesem Tag kaum etwas arbeiten!<\/p>\n\n\n\n

Wie arbeiten Sie heute mit KI-Vision bei Kawasaki Robotics?<\/h2>\n\n\n\n

Ich bin derzeit an der Entwicklung von Produkten beteiligt, die KI-Vision speziell f\u00fcr die Robotik nutzen. KI analysiert Bilder, die von Kameras aufgenommen wurden, und verarbeitet sie auf verschiedene Weise; in unserer Entpalettierungsl\u00f6sung werden beispielsweise Bilder des Produkts verarbeitet, das entladen werden muss. Depalettierl\u00f6sungen werden eingesetzt, um die Entladeeffizienz in Vertriebszentren und Fabriken zu verbessern. Die Depalettierl\u00f6sung ist mit 3D-KI-Vision ausgestattet und in der Lage, hochentwickelte Analysen der von ihr gehandhabten Fracht durchzuf\u00fchren.<\/p>\n\n\n\n

Die Depalettierl\u00f6sung von Kawasaki Robotics ist mit 3D-KI-Vision ausgestattet und in der Lage, hochentwickelte Analysen der gehandhabten Ladung durchzuf\u00fchren. Durch die Spezialisierung auf das Entladen haben wir eine hohe Leistung zu niedrigen Kosten erreicht.<\/p>Kippei Matsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Das manuelle Entladen ist sehr kostspielig und zeitaufw\u00e4ndig, und herk\u00f6mmliche Roboterl\u00f6sungen sind nicht flexibel genug, um diese Arbeit zu bew\u00e4ltigen. In dieser Hinsicht ist es unserer Entpalettierl\u00f6sung gelungen, die Genauigkeit und Geschwindigkeit der automatisierten Entladevorg\u00e4nge im Vergleich zu herk\u00f6mmlichen L\u00f6sungen zu erh\u00f6hen. <\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Bei herk\u00f6mmlichen Robotersystemen m\u00fcssen beispielsweise alle Packst\u00fcckgr\u00f6\u00dfen und -formen registriert werden, bevor sie entnommen werden. Wenn Pakete mit nicht registrierten Formen in den Arbeitsablauf gelangen, k\u00f6nnen sie nicht verarbeitet werden. Bei unserer Entpalettierungsl\u00f6sung hingegen m\u00fcssen nur die kleinsten und gr\u00f6\u00dften Gr\u00f6\u00dfen registriert werden, und alle Pakete k\u00f6nnen verarbeitet werden.<\/p>\n\n\n\n

Bei herk\u00f6mmlichen Robotersystemen muss der Roboter die richtige Gr\u00f6\u00dfe und Form des zu verarbeitenden Produkts kennen. Eine Kamera ist erforderlich, um die Gr\u00f6\u00dfe und Form des Produkts zu erkennen und zu best\u00e4tigen. Wenn dies best\u00e4tigt ist, nimmt der Roboterarm das Produkt auf, und das Anlernen des Systems ist ein zeitaufw\u00e4ndiger Prozess.<\/p>\n\n\n\n

Unsere Depalettierl\u00f6sung erfordert keine vorherige Produktregistrierung au\u00dfer den Mindest- und H\u00f6chstma\u00dfen, was die Einlernzeit erheblich reduziert.<\/p>KippeiMatsuda<\/span><\/cite><\/blockquote><\/figure>\n\n\n\n

Der Hauptgrund f\u00fcr den Erfolg der Depalettierungsl\u00f6sung von Kawasaki Robotics liegt darin, dass wir kosteng\u00fcnstige Kamerahardware mit unserer robusten KI-Software kombinieren, um komplexe Produktbilder ohne eine Reihe von Zusatzfunktionen zu verarbeiten. Durch die Konzentration auf die Entwicklung eines Entpalettierungssystems haben wir eine leistungsstarke und einfach zu bedienende L\u00f6sung entwickelt. Durch die Einschr\u00e4nkung der Funktionen haben wir ein besseres Kosten-Nutzen-Verh\u00e4ltnis als die Produkte anderer Unternehmen erzielt, was die Einf\u00fchrung des Produkts f\u00fcr Unternehmen erleichtert.<\/p>\n\n\n\n

\"\"
Herr Himekawa, Leiter der Produktentwicklung (geh\u00f6rt zur Abteilung 2 f\u00fcr Mehrzwecksysteme, Abteilung f\u00fcr Mehrzwecksysteme, Gesch\u00e4ftsbereich Roboter)<\/figcaption><\/figure>\n\n\n\n

Wie werden sich Depalettierungs- und KI-L\u00f6sungen weiter entwickeln?<\/h2>\n\n\n\n

Ich glaube, dass die Effizienz von Depalettierungsl\u00f6sungen in dem Ma\u00dfe zunehmen wird, wie mehr und mehr Daten gesammelt werden und die KI-Lernf\u00e4higkeit zunimmt. Eine der Schwierigkeiten bei der Entwicklung einer Depalettierl\u00f6sung waren beispielsweise die F\u00e4den und B\u00e4nder auf der Oberfl\u00e4che der Verpackungen. Wenn die KI diese sieht, kann sie die F\u00e4den mit den Grenzen des Kartons verwechseln. Sie k\u00f6nnte dann zu dem Schluss kommen, dass der Karton kleiner ist als er tats\u00e4chlich ist, und ihn versehentlich mitnehmen. Wenn das System jedoch in Zukunft an verschiedenen Standorten eingesetzt wird und Daten gesammelt werden, kann es mehrere Varianten von Verpackungen lernen. Selbst wenn ein Karton mit Schn\u00fcren, Klebeband oder Aufklebern versehen ist, kann der Roboter ihn aufgrund seiner Erfahrungen aus der Vergangenheit richtig entladen, ohne in die Irre gef\u00fchrt zu werden. Dazu muss der Roboter eine Menge qualitativ hochwertiger Daten sammeln.<\/p>\n\n\n\n

Ich glaube auch, dass die KI, das so genannte Infrastrukturmodell, eine Schl\u00fcsselrolle spielen wird. Ein Beispiel ist ChatGPT, das in den letzten Jahren viel Aufmerksamkeit erregt hat. Da das zugrunde liegende Modell auf der Grundlage einer gro\u00dfen Datenmenge trainiert wird, verf\u00fcgt es \u00fcber eine sehr hohe Erkennungsleistung, eine Art gesunden Menschenverstand. Grundlegende Modelle k\u00f6nnen eine Vielzahl von Informationen verarbeiten, darunter Text, Bilder und Ton, und haben das Potenzial, den Einsatz von Robotern nicht nur in der Logistik drastisch zu erweitern. In Zukunft m\u00f6chte ich den Einsatz von KI ausweiten, indem ich die Daten und das Basismodell sinnvoll einsetze.<\/p>\n\n\n\n

<\/p>\n\n\n\n

Klicken Sie hier f\u00fcr die Produktseite der Depalettierungsl\u00f6sung (Japanisch)<\/a><\/strong><\/p>\n\n\n\n

<\/p>\n\n\n\n

\n