Das Handhaben von schweren Bauteilen und Ware wird trotz drohender gesundheitlicher Folgen oft noch von Menschen ausgeführt. Abhilfe schaffen können automatisierte Prozesse, wie der »Griff-in-die-Kiste« des Fraunhofer IPA. Zurzeit wird das etablierte System um Künstliche Intelligenz erweitert, mit der der Roboterarm durch eine Simulation in einem neuronalen Netz lernt, sich auf ihm unbekannte Arbeitsaufgaben einzustellen.

Es gibt Aufgaben in Industrie und Logistik, die nicht für Menschen gemacht zu sein scheinen, mangels Alternativen jedoch lange manuell bewältigt werden mussten. Das Kommissionieren für Supermärkte in Zentrallagern beispielsweise: Aus großen, mit einem Produkt bestückten Paletten sollen gemischte Paletten entstehen, da Märkte oft nur kleine Mengen einer bestimmten Ware benötigen. In der Praxis fährt also ein Arbeiter mit einer leeren Palette durch das Lager und befüllt diese entsprechend der Bestellung des Supermarktes mit Artikeln. Acht bis zwölf Tonnen Ware pro Schicht muss der Arbeiter in der Regel handhaben, was eine hohe körperliche Belastung bedeutet. Ein anderes Beispiel ist das Befüllen einer Fräsmaschine: Ein großes Bauteil kommt aus der Schmiede und gelangt über ein Förderband in eine Kiste. Von dort muss das schwere Teil wieder entnommen und zur Weiterverarbeitung in eine Maschine eingelegt werden. Körperliche Arbeit in Industrie und Logistik kann für Menschen nicht nur anstrengend sein, sondern mitunter gesundheitliche Folgen haben. Ein weiteres Problem ist, dass Menschen vor allem bei sich ständig wiederholenden Bewegungen und Arbeitsschritten aufgrund von Monotonie zu Fehleranfälligkeit neigen.                                                    

Künstliche Intelligenz spart Kosten und Arbeitsaufwand

Die Probleme der Belastung und Fehleranfälligkeit können durch automatisierte Verfahren gelöst werden. Das Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA entwickelt die Software bp3TM für einen Roboterarm, der auf den »Griff–in-die-Kiste« in industriellen und logistischen Bereichen spezialisiert ist. Dabei schont der Roboterarm nicht nur Arbeiter und verhindert Flüchtigkeitsfehler, sondern kann zudem flexibel für verschiedene Aufgaben eingesetzt werden, weil der Umrüstungsaufwand minimal ist. Weitere Vorteile: Der Roboter handhabt die Bauteile schonend und der Lärmausstoß ist nur gering. Doch wie funktioniert der Vorgang genau? »Mit Hilfe von 3D-Sensoren – einer Industrieversion der Kinect-Kamera – erfasst die Software die Lage der Bauteile in der Kiste. Eine zuverlässige Erkennung, hohe Genauigkeit und geringe Rechenzeit sind dabei wichtige Faktoren. Anschließend soll der Roboter das Objekt an bestimmten Punkten greifen, eine kollisionsfreie Bahn zum Ziel planen und letztlich die Ablageposition bestimmen«, erklärt Werner Kraus, Leiter des Projekts »Deep Grasping« am Fraunhofer IPA.

Die Innovation bei »Deep Grasping« ist die Art der Datenverarbeitung. Bisher mussten die Algorithmen des Roboterarms für jede Arbeitsaufgabe, für jedes Werkstück neu programmiert werden, was zusätzlichen Arbeitsaufwand und Kosten bedeutete. Mit »Deep Grasping« wird dieser Prozess durch das Maschinelle Lernen ersetzt. »Der Roboter ist in der Lage, Objekte zu erkennen, die er noch nie gesehen hat, und Strategien zu entwickeln, wie er sie handhabt«, so Kraus.

Lernen durch Simulationen in einem neuronalen Netz

Vor zwei Jahren veröffentlichte Google Inc. eine Arbeit, die zeigte, wie mehrere Roboterarme das Greifen eines bestimmten Objekts erlernen. Der Schlüssel war, die Roboter 800 000 Mal die gleiche Bewegung ausführen zu lassen. Die Software lernte so lange aus Fehlversuchen, bis sie keine Fehler mehr machte. Die Forscher des Fraunhofer IPA verfolgen einen ähnlichen, aber in einem entscheidenden Punkt unterschiedlichen Ansatz: »Deep Grasping« übt nicht im realen Arbeitsumfeld, sondern in einer Simulation, wo die Arbeitsumgebung nachgestellt ist. Die Lernerfahrung macht der Roboterarm in einem sogenannten neuronalen Netz, also mit einem System, das dem menschlichen Gehirn nachempfunden ist. Dort können die Objekterkennung und der Ablauf trainiert werden, das erlernte Wissen wird später auf den Roboter übertragen. Schäden an Bauteilen durch fehlerhafte Abläufe werden vermieden und der Roboter kann ohne zusätzlichen Programmieraufwand mit seiner Arbeit beginnen.

Gegenwärtig sind fünfzehn »Griff-in-die-Kiste«-Systeme des Fraunhofer IPA in der Industrie im Einsatz, die allerdings noch ohne Künstliche Intelligenz auskommen müssen. In dem Forschungsprojekt »Deep Grasping« werden die neuronalen Netze zurzeit in einer Laborumgebung getestet. Bald soll der Laboraufbau in einen Demonstrator überführt werden und in ein bis zwei Jahren sollen erste Projekte mit Partnern aus der Industrie anlaufen. Erste Forschungsergebnisse werden Kraus und sein Team von 19. bis 22. Juni auf der Automatica 2018 in München präsentieren. Daneben wird in Halle A4, Stand 421 ein zweiarmiger Demonstrator die jüngsten Fortschritte beim Griff-in-die-Kiste mit der Software bp3TM veranschaulichen. (adz)

Ein Kommentar

Das Kommentarfeld darf nicht leer sein
Bitte einen Namen angeben
Bitte valide E-Mail-Adresse angeben
Sicherheits-Check:
Drei + = 10
Bitte Zahl eintragen!
  1. 1
    Michael Müller

    Interessanter Artikel!

    Antworten
image description
Experte
Alle anzeigen
Dr. Werner Kraus
  • Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA
Weitere Artikel
Alle anzeigen
Panel: Unterdrücken uns Algorithmen?
Künstliche Intelligenz - Daniela Kolbe, Enquete KI
Das Richtige im Blick
Stellenangebote
Alle anzeigen