Direkt zum Hauptinhalt

Behälterentnahme: Eine echte Herausforderung für Roboter

Ines Ugalde Diaz | Erfinder des Jahres von Siemens | Newcomer

Es gibt Aufgaben, die für Menschen einfach, für Roboter aber sehr schwierig sind, und die Entnahme aus einem Behäülter ist eine dieser Aufgaben. Zum Beispiel müssen Roboter in der Lage sein, ein einzelnes Teil aus einem Behälter auszuwählen, der einen unsortierten, chaotisch angeordneten Stapel von Einzelteilen wie ein Stapel von Paketen enthält.

Ines Ugalde Diaz und ihr Team in Berkeley (USA) entwickeln seit mehr als sechs Jahren Robotersteuerungssysteme und haben bisher über 40 Erfindungen gemacht. Ines wurde als Erfinderin des Jahres 2024 in der Kategorie Newcomer für eine Müllentnahmelösung ausgezeichnet, die flexibel an verschiedene Roboter-Greifwerkzeuge angepasst werden kann. Diese spezielle Erfindung wurde ausgewählt, weil sie als Grundlage für die nächste Generation von Siemens SIMATIC Robot Pick AI dient. Pick AI wurde auf zahlreichen Messen vorgestellt, darunter auf der diesjährigen Messe in Hannover in Deutschland im Frühjahr 2024.

Greifen durch Vakuum

Eine Person steht vor einem Whiteboard voller Diagramme und handschriftlicher Notizen zur Erkennung und Rangfolge von 3D-Objekten.

Viele Roboter greifen, indem sie ein Vakuum erzeugen. Am Ende ihres Arms — dem sogenannten Endeffektor — setzen Roboter einen oder mehrere Saugnäpfe ein, um ein Vakuum auf das zu greifende Objekt auszuüben. Dazu müssen die Saugnäpfe auf einer optimalen, flachen, glatten und porenfreien Oberfläche landen. Es gibt viele Varianten von Saugnäpfen in verschiedenen Größen und Formen, mit einer rechteckigen oder quadratischen Basis und mit einem oder mehreren Saugnäpfen.

„Unsere neue Erfindung erleichtert die Verwendung von Sauggreifern in unterschiedlichen Größen und Anordnungen. Es ist Sache des Kunden, zu entscheiden, was er will „, sagt Ines. „Das ist eigentlich ein sehr einzigartiger Aspekt unseres Produkts, der uns von allen Mitbewerbern unterscheidet.“

Das Chaos durchschauen

Im Chaos eines Behälters liegen die einzelnen Teile in zufälliger räumlicher Ausrichtung übereinander. Der Roboter muss zuerst die Struktur in diesem Chaos erkennen: Er muss erkennen, wo ein Teil beginnt und wo es endet, und verstehen, wie es positioniert ist, um eine Stelle zu finden, an der es gut greifen kann. Die notwendigen Daten — die aktuelle Ansicht des Behälters — werden von einer 3D-Kamera bereitgestellt. KI-Algorithmen, die darauf trainiert wurden, die einzelnen Objekte auf diesen Bildern zu unterscheiden, bilden die Grundlage für die Steuerung des Roboterarms.

Verbesserung der Standardsoftware

Die preisgekrönte Erfindung basiert auf Szenenverständnis, insbesondere auf der Unterscheidung von Behälter und den einzelnen Objekten. Dies wird normalerweise als „Instanzsegmentierung“ bezeichnet, ein Standardproblem beim maschinellen Lernen und Computer Vision. Es gibt bereits viele vortrainierte Modelle für diese Aufgabe, die von der Schulung an Millionen von Beispielen profitiert haben. Sie sind gut, aber sie sind zu allgemein gehalten und sie machen Fehler bei der Behälterentnahme. Ines und ihre Gruppe verbesserten die Leistung dieser Standardlösungen auf ein zufriedenstellendes Niveau, indem sie ihnen eine zusätzliche Schulung zu bestimmten Datensätzen gaben: zum Beispiel reale Daten von vorhandenen Pick-AI-Roboterzellen.

Eine Person arbeitet an einem Schreibtisch mit zwei Computermonitoren, auf denen Code angezeigt wird, und einem Roboterarm, der im Vordergrund sichtbar ist.

Datenaustausch für eine bessere Leistung

Eine Hand zeigt auf einen Computerbildschirm und zeigt ein buntes digitales Bild mit einem grünen Häkchen, das eine erfolgreiche Verarbeitung anzeigt.

„Unsere Lösung ist so konzipiert, dass sie an jedem Kundenstandort funktioniert, weil wir sie mit riesigen Datensätzen aus synthetischen und realen Quellen trainiert haben“, sagt Ines. „Es eignet sich sehr gut für Kartons, Flaschen und Beutel und auch, wenn das Teil in Plastikfolie verpackt ist. Im Prinzip sollten Kunden keine Beeinträchtigung des Betriebs feststellen, aber wenn dies passiert, können sie zulassen, dass die Modelle aus ihren Fehlern lernen. Das ist Teil unserer Produktstrategie. Wir bereiten uns darauf vor, umfangreiche Datensätze von Roboterflotten in die Siemens-Cloud aufzunehmen, was die Fähigkeit hat, einen Fehlerfall zu nutzen, um unser Produkt zu verbessern — nicht nur für einen Kunden, sondern für alle Kunden, die dem Datenaustausch zustimmen.“ Die Verbesserungen führen nicht nur zu Leistungssteigerungen, sondern auch zur Enthüllung neuer Anwendungsfälle. „Wir haben gezeigt, dass wir die Software mit minimalem Aufwand für völlig neue Anwendungsfälle modifizieren können, einschließlich der robotergestützten Entpalettierung“, erklärt Ines. Pick AI ist das Herzstück einer neu eingesetzten Roboter-Entpalettierzelle in einem der Siemens-Produktionslager in Erlangen, Deutschland. Dank der Daten erweitert das Team die Grenzen der Robotermanipulation.