Motivation
Was dem Menschen leichtfällt, ist für Roboter oft noch herausfordernd: das Greifen, Handhaben und Ablegen verschiedenster Objekte. In wenig veränderlichen Umgebungen mit jeweils identischen Objekten ist dies inzwischen kein Problem. Schwierig wird es, wenn die Roboter verschiedene Aufgaben mit unterschiedlichen Objekten (z.B. Bauteilen) erfüllen sollen. Mit welchem technischen und wirtschaftlichen Aufwand ist eine solche Aufgabe mit einem Roboter noch sinnvoll realisierbar? Lohnt sich der hohe Aufwand vor Ort für Einrichtung und Inbetriebnahme? Diese Unsicherheiten lassen Unternehmen zögern, mögliche Automatisierungspotenziale zu nutzen. Die Idee: die sogenannte Automatisierung der Automatisierung, um Roboteranwendungen mit weniger personellem und zeitlichem Aufwand einzusetzen. Der Ansatz: mittels Methoden des maschinellen Lernens (ML) bzw. Künstlicher Intelligenz (KI) erlernen die Robotersysteme ihr notwendiges Anwendungswissen, die erforderliche „Lösungskompetenz“ selbst.
Ziele und Vorgehen
Im Projekt Sim4Dexterity werden adaptierbare Simulationsmodelle und -umgebungen für typische Handhabungs- und Montagetätigkeiten entwickelt, die ein breites Anwendungsfeld in verschiedenen Industriezweigen abdecken sollen. Auf Basis dieser Modelle können die ML- /KI-Algorithmen eine neue Roboteranwendung virtuell trainieren und entwickeln, d.h. zunächst ohne reale Hardware (Roboter, Objekte und Umgebungen). So kann bereits im Vorfeld von Investitionsentscheidungen die Machbarkeit der Zielanwendung geprüft werden. Kernaufgabe des Projektes ist, die erforderlichen Modellelemente und „künstlichen“ Daten für eine ganzheitliche Simulation (taktile Sensorik, Objekterkennung, physikalische Eigenschaften der Roboter und der Umgebung etc.) zu entwickeln. Auf deren Basis können die Roboter das Handhaben der fraglichen Objekte selbständig erlernen. Die dafür erforderlichen umfangreichen Datensätze sollen mit Hilfe der Simulationen erzeugt werden, da vergleichbare Realdaten nicht mit einem wirtschaftlich vertretbaren Aufwand beschafft werden können. Ein Schwerpunkt der Projektarbeit liegt in der einfachen Übertragung der selbständig und virtuell erlernten Fähigkeiten auf verschiedene, reale Anwendungsszenarien. Die Ergebnisse werden in drei Anwendungsfällen evaluiert. Beim „Griff in die Kiste“ nimmt der Roboter ungeordnet liegende Bauteile aus einem Behälter und reicht sie „geordnet“ weiter.
Innovationen und Perspektiven
Für Warenlager oder den Einzelhandel ist das Herausnehmen von einzelnen Artikeln aus einem Regal relevant. Zudem wird eine typische Montageanwendung umgesetzt. Für den fachlichen Austausch und um die Weiterentwicklung der Lösungen zu fördern, sollen die Ergebnisse wissenschaftlich und in Form von Wettbewerben und Leistungsbenchmarks veröffentlicht werden, mit denen auch ein Gütesiegel für Handhabungslösungen entstehen könnte. Der Trend zur effizienten, also automatisierten Fertigung auch kleinerer Stückzahlen liefert neue Einsatzgebiete für Robotik-Anwendungen. Mit der Senkung der Einstiegshürden für den Robotereinsatz können die Automatisierungspotenziale von mehr Unternehmen genutzt werden.