Die Anforderungen an Anwendungen mit Robotern steigen stetig. Dazu gehören beispielsweise reduzierte Einricht- und Umrüstzeiten, mehr Autonomie bei gleichzeitig hoher Zuverlässigkeit und die intuitive Interaktion zwischen Werker und Roboter. Dies sind für wandlungsfähige sowie mittelständische Produktionen mit kleinen Losgrößen entscheidende Faktoren, um Roboter effektiv nutzen zu können. Neue Impulse gibt es auch von Entwicklungen mit Künstlicher Intelligenz und speziell dem Maschinellen Lernen.
Um Unternehmen einen fundierten Überblick über aktuelle Trends in der Robotikforschung und deren Reifegraf zu geben, hat das Fraunhofer IPA basierend auf etablierten Scouting-Verfahren ein Technologieradar für die Industrierobotik entwickelt. Die Methode ist bereits runde zehn Jahre alt und wurde von Darren Smith entwickelt. Ein Technologieradar visualisiert mithilfe eines Tortendiagramms die Forschungstrends, wobei jeder Trend einem „Tortenstück“ entspricht. Pro Trend gibt es dann eine weitere Aufteilung der dazugehörigen Technologiekomponenten. Mittig, an den Spitzen der „Tortenstücke“ befinden sich einsetzbare Komponenten. Je weiter außen zum Rand hin sie positioniert sind, umso eher sind sie der Forschung zuzuordnen.
Effektive Zusammenarbeit von Mensch und Roboter
Mit Technologien für die Mensch-Roboter-Kooperation (MRK) können beide zunehmend in Teams arbeiten und ihre jeweiligen Fähigkeiten einbringen. Bereits einsetzbare Komponenten sind Sicherheitscontroller für Roboter sowie sichere optische 2D-Sensorik. Intuitive Bedienungsmodalitäten sowie sichere 3D-Sensorik gelangen in die Praxis, es besteht aber noch Optimierungsbedarf. Die Forschung beschäftigt sich mit der sicheren dynamischen 3D-Überwachungssensorik sowie Online-Sicherheitskonfigurationen.
Ein Beispiel für eine aktuelle Forschungsarbeit ist das Software-Tool CARA für die computerunterstützte Risikobewertung. Systemintegratoren können damit geplante MRK-Applikationen modellieren, sich automatisiert Gefährdungen identifizieren lassen und eine Risikobewertung dieser Gefährdungen durchführen, um schließlich geeignete Schutzmaßnahmen zu erkennen und zu bewerten.
![MRK-Arbeitsplatz Fraunhofer IPA](https://automationspraxis.industrie.de/wp-content/uploads/M/R/MRK.jpg)
Vereinfachte Roboterprogrammierung
Roboter selber programmieren zu können ist ein zunehmender Wunsch bzw. Bedarf der Anwender, die jedoch oft nicht das nötige Expertenwissen haben. Noch hat jeder Roboterhersteller seine eigene Programmiersprache, was immer mit Einlernaufwand verbunden ist. Deshalb gehen Trends dahin, das Programmieren deutlich zu vereinfachen. Bereits in der Praxis genutzt wird die Offline-Programmierung, die bei passendem Digitalisierungsgrad und vorhandenen CAD-Modellen infrage kommt. Ebenfalls im Einsatz ist die Software „drag&bot“ vom Fraunhofer IPA, die mittlerweile das gleichnamige Spin-off vertreibt. Anwender können ohne Expertenwissen ein Roboterprogramm mithilfe einer grafischen Bedienoberfläche und fertig einsetzbaren Funktionsblöcken zusammenstellen. Eingabehilfen unterstützen bei der Parametrierung. Die Vision dieser Technologie: die Roboterprogrammierung so einfach zu machen wie die Bedienung eines Smartphones. Noch zu optimieren sind Technologien, die die Erkennung von Zusammenbauabweichungen, die kollisionsfreie Bahnplanung sowie das Erkennen von Formabweichungen ermöglichen.
Für Schweißroboter gibt es in diesem Kontext beispielsweise die herstellerunabhängige Software RobotKit. Dabei wird dem Roboter mittels 3D-Sensorik und intelligenten Auswertealgorithmen die Fähigkeit zum „Sehen“ gegeben, sodass auch toleranzbehaftete Baugruppen mit minimalem Programmieraufwand mit dem Roboter geschweißt werden können. Das Robotersystem erkennt Schweißbauteile, deren Position und mögliche Geometrieabweichungen und generiert Vorschläge für zu schweißende Bahnen. Diese kann der Bediener in einer grafischen Bedienoberfläche auswählen und sequenzieren. Zudem plant die Software die Bahn automatisch und generiert den Roboterprogrammcode.
Video über effiziente Schweißroboterprogrammierung in der Cloud
Künstliche Intelligenz & Maschinelles Lernen
Künstliche Intelligenz und ihr Teilgebiet Maschinelles Lernen haben das Potenzial, den Automatisierungsgrad und die Kapazitäten in Produktionen zu erhöhen und gleichzeitig Aufwände und Kosten zu senken. Anwendungsbereiche sind u.a. die Robotik, die Qualitätssicherung, die Optimierung von Produktionsprozessen sowie die Umgebungserfassung.
Grundsätzlich geht es beim maschinellen Lernen darum, Zusammenhänge in großen Datenmengen zu erkennen und zu verallgemeinern. Künstliche neuronale Netze, oder auch Deep Learning, sind die momentan am meisten verbreitete Technologie. Sie werden hauptsächlich für die Bildverarbeitung genutzt, die bereits in Anwendungen einsetzbar ist. Optimierungsbedarf besteht noch bei KI-Technologien, wie sie beispielsweise das „Dex-Net“ der Universität Berkeley verwendet. Hierbei nutzen über die Cloud verbundene Robotersysteme neuronale Netze, um mithilfe eines großen Datensatzes das Greifen bisher unbekannter Gegenstände zu lernen. Auch die Forschung ist sehr aktiv. So arbeitet beispielsweise das Projekt „Learning Dexterity“ in Simulationen daran, eine Roboterhand mithilfe von Künstlicher Intelligenz ein Objekt manipulieren zu lassen und es in eine andere Orientierung zu bringen. Das trainierte Programm wird dann auf den realen Roboter übertragen.
Beispielhaft seien drei weitere Anwendungen genannt:
![Maschinelles Lernen](https://automationspraxis.industrie.de/wp-content/uploads/M/a/Maschinelles_Lernen_Griff-in-die-Kiste.jpg)
Kognitive Montage
Der Automatisierungsgrad in der Montage ist aktuell noch vergleichsweise niedrig. Laut Zahlen der International Federation of Robotics kommen hier nur in 12 Prozent der Anwendung Roboter zum Einsatz. Die Anforderungen an eine Automatisierungslösung sind in diesem Bereich hoch. Passende Technologien schaffen hier jedoch Abhilfe. Bisher werden bei Montageaufgaben große Zeitanteile verwendet, um den Fügevorgang mit Roboter im Hinblick auf Robustheit und Taktzeit feinzuteachen. Der Einsatz von Kameras und entsprechender Bildverarbeitung, die wiederum Maschinelles Lernen nutzt, kann diese Zeitanteile drastisch reduzieren. Spezielle Algorithmen extrahieren Montagemerkmale wie Schraubpositionen, Kanten oder Steckverbinder aus den Bilddaten und bieten diese dem Anwender zur Manipulation an. Die Auswirkung der Befehle wird direkt im Bild dargestellt, sodass auch unerfahrene Roboternutzer Montageaufgaben erfolgreich mit einem Roboter automatisieren können.
![Maschinelles Lernen](https://automationspraxis.industrie.de/wp-content/uploads/K/o/Kognitive-Montage.jpg)
Automatisiertes Prüfen von Bauteileigenschaften
Ein weiteres Tool ist NeuroCAD. Die webbasierte Software ermittelt mithilfe maschinellen Lernens bestimmte Bauteileigenschaften. Anwender können ihre STEP-Dateien hochladen und erhalten innerhalb weniger Sekunden ein Ergebnis. Aktuell informiert das Tool, wie einfach ein Bauteil zu vereinzeln ist. Außerdem bewertet es die Greifflächen und Ausrichtbarkeit.
Unterstützung bei der Erprobung und Anwendung von Maschinellem Lernen für die Produktion erhalten Firmen zum Beispiel beim „Zentrum für Cyber Cognitive Intelligence“ CCI am Fraunhofer IPA.
Montageautomatisierung
Ein weiterer Trend in der Robotikforschung sind, wie bereits gerade genannt, Lösungen für einen höheren Automatisierungsgrad in der Montage. Um Automatisierungspotenziale zunächst systematisch zu ermitteln, bietet eine Automatisierungs-Potenzialanalyse (APA) Entscheiderwissen. Experten des Fraunhofer IPA begehen dabei Produktionen und schauen sich die Montagevorgänge an. Diese werden anhand verschiedener Kriterien im Hinblick auf ihre Automatisierbarkeit bewertet. Seit kurzem ist hierfür auch eine App verfügbar.
Firmen erhalten so eine Übersicht über technisch und wirtschaftlich sinnvoll zu automatisierende Montagevorgänge. Oftmals empfiehlt sich auch eine teilautomatisierte Anwendung mit Mensch-Roboter-Kooperation (MRK). Und es kann sinnvoll sein, die Gestaltung eines Produkts zu ändern. Für dieses „Design for Automation“ gibt es elf Handlungsempfehlungen, damit Montageprozesse effizienter ablaufen.
Zudem geht es darum, das Programmieren von Montageaufgaben zu vereinfachen. Hierfür gibt es die Softwareplattform „pitasc“. Kontaktkräfte können aufgebaut und überwacht oder verhindert werden und lassen sich in spezifischen Montageprozessen beliebig mit komplexen Bewegungsabläufen kombinieren. Die Anwendung ist unabhängig vom eingesetzten Roboter- oder Handhabungsgerät und kann auf verschiedenen Geräten betrieben werden. Bereits zuvor realisierte Anwendungen sind in neue Anwendungen integrier- und somit wiederverwendbar.
![Montageautomatisierung](https://automationspraxis.industrie.de/wp-content/uploads/M/o/Montageautomatisierung.jpg)
Mobile Robotik
Fahrerlose Transportfahrzeuge (FTF) sind ein Schlüsselelement für die Intralogistik in Produktionen und Warenlagern. Während klassische Systeme weitgehend auf vorgegebenen Bahnen in nicht öffentlich zugänglichen Bereichen navigieren, steigt die Nachfrage nach mehr Flexibilität und Einsatzmöglichkeiten in Bereichen mit normalem Personenverkehr. Dafür gibt es Navigationslösungen, die das freie Navigieren und dynamische Ausweichen von Hindernissen ermöglichen. Technologien für diese Navigation ohne aufwendig installierte Infrastruktur sind bereits im industriellen Dauereinsatz.
Eine Cloud-Infrastruktur ermöglicht zudem, dass Sensorinformationen einzelner Fahrzeuge zum Beispiel über ein Hindernis auf der Strecke der ganzen Flotte zur Verfügung stehen und die Bahnplanung aller Fahrzeuge stets angepasst ist. Diese vernetzte und kooperative Navigation, die auch externe Sensoren einbinden kann, macht die FTF ‚schlanker‘, da weniger Hardware auf dem einzelnen System nötig ist. Das Flottenverhalten passt sich dynamisch der aktuellen Situation an, zudem ist die Flotte unabhängig vom Hersteller skalierbar. Während die kooperative Kartierung bereits nahezu praxisreif ist, besteht bei der kooperativen Bahnplanung noch Optimierungsbedarf. Forschungsseitig ist aktuell der Einsatz von Augmented Reality ein wichtiges Thema. Damit können Komponenten wie einzelne Fahrzeuge oder auch ganze Anlagen zunächst simuliert werden, was Einrichtungs- und Optimierungsaufwände am realen System reduziert.
![Bahnplanung Robotik](https://automationspraxis.industrie.de/wp-content/uploads/_/M/MG_5673-bearbeitet.jpg)
Mobile Systeme lassen sich nicht nur für Transportzwecke nutzen, sondern – versehen mit einem Industrieroboterarm – auch für Manipulationsaufgaben. Diese kombinierten Systeme können zum Beispiel Werkstücke an Einlegeplätzen entnehmen und ablegen und so den automatisierten Materialfluss verbessern. Prädestiniert für mobile Manipulation ist auch die Kleinteilelogistik. In Warenlagern oder im Einzelhandel können sie Warensendungen zusammenstellen, Inventuren durchführen oder kontrollieren, ob alle Waren im Regal korrekt sortiert und ausreichend vorhanden sind. Auch das Entfernen leerer Kartons oder falsch stehender Produkte ist umsetzbar.
![Mobile manipulation](https://automationspraxis.industrie.de/wp-content/uploads/M/o/Mobile-Manipulation.jpg)
Open-Source-Software
Warum Software für Roboter neu schreiben, die bereits erfolgreich im Einsatz und frei verfügbar ist: Open-Source-Software reduziert Entwicklungsaufwände und ermöglicht Unternehmen, ohne viele eigene Ressourcen schnell neue Lösungen zu entwickeln und am Markt zu platzieren. Einsatzbereite Standards wie OPC-UA oder die Docker-Technologie ermöglichen den Datenaustausch über eine plattformunabhängige Architektur. Noch Optimierungs- bzw. Anpassungsbedarf besteht beim industriellen Einsatz des Robot Operating Systems ROS, das grundlegende, aber komplexe Fähigkeiten für Robotersysteme wie Bahnplanung oder Navigation bietet. Dass mittlerweile auch Weltkonzerne wie Amazon und Google auf ROS setzen, zeigt dessen Bedeutung.
Unterstützt vom großen EU-Projekt ROSIN und von der privaten Initiative ROS-Industrial, in Europa geleitet vom Fraunhofer IPA, geht es aktuell darum, die Softwarekomponenten immer besser auf den Industrieeinsatz zuzuschneiden. Zudem kümmert sich die Initiative auch um Fragen wie zum Beispiel zur Haftung und bietet Trainings an.
![](https://automationspraxis.industrie.de/wp-content/uploads/O/p/Open-Source-Software.jpg)
Alle Vorträge sowie ein Event-Video der ROS-Industrial-Conference 2018 mit Sprechern u.a. von Amazon und Google sind hier verfügbar
Seilrobotik
Ein Seilroboter besteht aus einer Tragstruktur, Winden und Seilen, die einen Manipulator bewegen. Dieses Konzept ermöglicht Automatisierungslösungen unter extremen Anforderungen. Traglast und Größe des Arbeitsraums sind bisherigen Robotersystemen überlegen, sodass sie auch dort zum Einsatz kommen können, wo bisher Kräne gefordert sind. Der Arbeitsraum kann je nach Anwendung bis zu 100m x 100m x 30m umfassen. Die effiziente Kraftübertragung durch die Seile und der Einsatz von Kranwinden erlauben je Seil eine Nutzlast von bis zu mehreren Tonnen.
Zu den möglichen Einsatzgebieten zählen additive Druckverfahren für 3D-Betondruck, das Aufhängen von Fassadenelementen im Baugewerbe, das Pflegen von vertikalen Gärten oder der Transport von Personen. Hierfür hat das Fraunhofer IPA unter der Leitung des Tübinger Max-Planck-Instituts für biologische Kybernetik einen Seilroboter mitentwickelt, der erstmals Menschen transportieren kann und besonders für Anwendungen im Virtual-Reality-Umfeld interessant ist.
![Seilrobotik](https://automationspraxis.industrie.de/wp-content/uploads/S/e/Seilrobotik2.jpg)
![Seilsimulator Robotik](https://automationspraxis.industrie.de/wp-content/uploads/S/e/Seilrobotik.jpg)
Autorinformationen:
Dr.-Ing. Werner Kraus leitet die Abteilung Roboter- und Assistenzsysteme am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA; werner.kraus@ipa.fraunhofer.de; +49 711 970-1049
Weiterführende Informationen:
– Das Seminar „Technologieradar Industrierobotik“ findet am 17. Oktober 2019 am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA in Stuttgart statt.
– Das Fraunhofer IPA bietet mit seinem „Zentrum für Cyber Cognitive Intelligence“ (CCI) interessierten Unternehmen die Möglichkeit, alle Fragen und Projektideen zum Thema Maschinelles Lernen in der Produktion anzugehen. Dazu gehören neben der Robotik auch die Themen Qualitätssicherung, optimierte Produktionsprozesse und Umgebungserfassung. Es gibt verschiedene Formen der Zusammenarbeit und auch die Förderung von Projekten durch Landesmittel ist möglich. Alle Informationen hierzu finden Sie auf http://www.ipa.fraunhofer.de/zcci