Die größte Herausforderung für den Robotereinsatz in der Logistik ist der Umgang mit der Vielfalt: sowohl was die Menge an zu handhabenden Objekten angeht als auch ihren Verpackungszustand und die nötigen Handgriffe, um einen optimalen Warenfluss zu gewährleisten. Die verschiedenen Anwendungen wie das Palettieren und Depalettieren bis zum Bilden von Mischpaletten, das Einlagern meist sortenreiner Paletten, von denen dann Produkte ausgepackt in Kisten eines automatisierten Lagersystems gefüllt werden oder das Kommissionieren von Kundenbestellungen aus dem Lager stellen jeweils ganz eigenen Anforderungen an Robotiklösungen.
Damit ein Roboter diese Aufgaben übernehmen kann, benötigt man Technologien für drei zentrale Fähigkeiten, die dem Menschen leichtfallen: das Erkennen, das Greifen und das überlegte Handeln (das Reasoning). Diese Technologien entstehen im KI-Fortschrittszentrum Lernende Systeme und Kognitive Robotik der Fraunhofer-Institute IPA und IAO.
Objekte intelligent erkennen…
Mehrere Entwicklungen im KI-Fortschrittszentrum adressieren die Herausforderungen für Logistik-Automation wie die Varianten- und Aufgabenvielfalt. Hierzu gehört eine leistungsstarke Objekterkennung, die die Grundlage für das automatisierte Greifen und Packen ist.
Die Objekterkennung funktioniert modellbasiert, wenn also bereits ein digitales Abbild vorliegt. Um ein solches digitales Modell zu erstellen, hat das Fraunhofer IPA zusammen mit dem Startup Kaptura eine Scanstation entwickelt. So ist es möglich, effizient und einfach eine umfassende Datenbasis von Objekten zu schaffen. Zusätzlich dazu bietet das Fraunhofer IPA eine Variante der Objekterkennung, die nur anhand von Bildern, also ohne 3D-Modell, Objekte wiedererkennen kann. Das Greifen funktioniert übrigens auch modellfrei, wenn es nicht wirtschaftlich möglich ist, von allen potenziell zu greifenden Objekten ein digitales Abbild zu erstellen.
..sowie greifen…
Hat ein Roboter ein Objekt erkannt, muss er das Greifen kollisionsfrei planen und umsetzen. Sowohl für das Produktionsumfeld, beispielsweise für das Bin Picking und Bin Packing, als auch für Anwendungen, die in der Nähe des Menschen stattfinden, haben die IPA-Experten modellbasierte und modellfreie Greiflösungen entwickelt. Diese ermöglichen beispielsweise, kollaborative Aufgaben in Lagern oder im Einzelhandel durchzuführen und gleichzeitig Kollisionen mit jeglichen statischen oder dynamischen Hindernissen wie Menschen zu vermeiden.
…und selbstständig navigieren
Diese kognitiven Fähigkeiten für Roboter profitieren von Technologien der Künstlichen Intelligenz (KI) und des Maschinellen Lernens (ML). Das gilt auch für das Reasoning. Aktuell entwickeln die IPA-Experten ihre Navigationssoftware, die bereits mehrfach im industriellen Einsatz ist, um solche ML-basierten Fähigkeiten weiter. Das Ziel: den Autonomiegrad frei navigierender Systeme weiter zu erhöhen und ihnen eine Art situatives Verständnis ähnlich dem menschlichen Fahrverhalten zu geben.
Zwei Szenarien werden aktuell umgesetzt:
- Das erste ist die Optimierung der globalen Routenplanung. Die Daten realer Fahrzeuge werden eingebunden, um die Frequentierung dieser Strecken zu erfassen und die Durchschnittsgeschwindigkeiten zu lernen. Aus diesen Erfahrungswerten lassen sich dann für jede Situation die optimalen Routen für alle Fahrzeuge bestimmen.
- Beim zweiten Szenario haben die IPA-Experten die gegenseitige Detektion und kooperative Lokalisierung mit maschinellen Lernverfahren erarbeitet, damit diese robuster wird. Zudem profitieren Fahrzeuge mit weniger performanten Sensoren von den Sensoren anderer Fahrzeuge und das Verfahren ist hilfreich, wenn die Sensorreichweiten gering und die Umgebungen gleichzeitig großflächig beziehungsweise dynamisch sind.
Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA
Abteilung Roboter- und Assistenzsysteme
Nobelstraße 12
70569 Stuttgart
Mehr zum Thema Robotik
