Schematische Zeichnung eines typischen Szenarios bei der Getreide-Ernte. Ein Überladewagen pendelt zwischen einem Mähdrescher und einem am Feldrand positionierten LKW und transportiert das Erntegut des Mähdreschers zum LKW.

© DFKI

Aus demselben Grund sollte auch das Entleeren des Korntanks möglichst in Parallelfahrt zum Überladefahrzeug geschehen. Da das Überladefahrzeug nur in bereits abgeernteten Bereichen fahren darf, muss die Fahrspur auf der Seite des Korntankrohrs des Mähdreschers bereits abgeerntet worden sein. Für diesen kooperativen Vorgang des Abtankens müssen sich die beteiligten Maschinen an einem berechneten Punkt mit derselben Ausrichtung und Geschwindigkeit zur selben Zeit treffen.

Dieses komplexe Problem ist vom Menschen nur schwer überschaubar und führt trotz vieler Assistenzsysteme im Bereich des „Precision Farmings“ zu Stresssituationen der beteiligten Personen und einem suboptimalen Gesamternte-Prozess. Ziel des vom DFKI entwickelten Planungssystems ist folglich die Optimierung der Zielkriterien im Kontext des Gesamtprozesses bei Einhaltung der beschriebenen Rahmenbedingungen.

Hierzu werden Optimierungsmethoden aus dem Bereich der Künstlichen Intelligenz sowie State-of-the-Art-Verfahren zur Bewegungsplanung mehrerer Fahrzeuge verwendet, die die Planung von Fahrwegen hinsichtlich Fahrzeugposition und -orientierung als Funktion der Zeit ermöglichen.

Für diese Verfahren bildet man zunächst die kinematischen Eigenschaften der Fahrzeuge in so genannten „motion primitives“ ab, so dass diese alle erlaubten Geschwindigkeitsänderungen und Lenkbefehle des Fahrzeugs für einen bestimmten kinematischen Zustand beinhalten. Aus den motion primitives wird anschließend ein Suchgraph für den Bereich erstellt, in dem sich das Fahrzeug bewegen soll. Mit einem Suchalgorithmus wird in dem Graphen nach Pfaden gesucht, die die Fahrzeugpositionen mit den Zielpositionen verbinden. Die Kostenfunktion des Algorithmus, mit dem alle gefundenen möglichen Pfade bewertet werden, kann die Optimierungskriterien wie zum Beispiel Strecke, Geschwindigkeitsänderungen und Positionen anderer Fahrzeuge berücksichtigen.

Zwei Mähdrescher und ein Überladefahrzeug kooperieren auf dem Feld, um das Erntegut zu Straßentransportern zu befördern. Die Fahrwege stimmt das Planungssystem aufeinander ab, damit an Treffpunkten Erntegut überladen und ständig gefahren werden kann.

© DFKI

Da der Ertrag eines Feldes durch verschiedene Umwelteinflüsse lokalen Schwankungen unterliegt, muss das Planungssystem zusätzlich auf unvorher­gesehene Geschwindigkeitsänderungen und Abweichungen von prognostizierten Korntank-Füllständen reagieren. Diese können dazu führen, dass sich die Treffpunkte für das Überladen von Erntegut räumlich und zeitlich verschieben. Es lässt sich also nicht sicher sagen, zu welchem Zeitpunkt und auf welcher Fahrspur ein Mähdrescher spätestens abgetankt werden muss. In der Praxis wird deshalb momentan oft die Fahrspur-Reihenfolge der Mähdrescher nach strikten Strategien festgelegt. Diese sorgen durch bestimmte Fahrmuster dafür, dass so oft wie möglich die vom Überladefahrzeug benötigte Fahrspur bereits abgeerntet ist, damit die Mähdrescher fast jederzeit abgetankt werden können.

Diese Strategien führen allerdings zu weiteren Wegen beim Wechsel von einer Fahrspur in die nächste. In „marion“ sollen diese fixen Strategien daher mit nach den Prozesszielen optimierten Fahrzeugpfaden ersetzt werden. Das Planungssystem gliedert sich in eine übergeordnete fahrzeugübergreifende Planung, die den Gesamtprozess und damit auch die Kooperation der Maschinen betrachtet. Die Ergebnisse dieser Planung werden dann von fahrzeugspezifischen untergeordneten Planungssystemen weiter für die jeweilige Maschine verfeinert. Hier kommen vor allem Algorithmen der Bewegungsplanung zur Anwendung, die abfahrbare Sollstrecken erzeugen. Diese Sollstrecken können dann mit Hilfe von hoch genauem GPS und Lenksystemen automatisch von den Maschinen abgefahren werden. Lässt sich bei der Ausführung der Plan nicht einhalten, wird zunächst versucht, durch Anpassung der Sollstrecke wieder den übergeordneten Plan einzuhalten. Ist dies nicht möglich, muss das übergeordnete Planungssystem die Pfade aller Maschinen anpassen, um für den aktuellen Zustand auf dem Feld wiederum eine optimale Gesamtlösung zu erzeugen. Diese kontinuierliche Adaption des Planungssystems während des Ernte-Prozesses erlaubt nicht zuletzt die Integration der Umwelteinflüsse.

Anwendungs-Szenario Intralogistik

Das zweite im Rahmen von marion behandelte Anwendungsszenario ist die innerbetriebliche Transportlogistik. In der intralogistischen Prozesskette kommen ein autonomer Schleppzug mit mehreren Anhängern und ein autonomer Gabelstapler zum Einsatz. Schleppzug und Gabelstapler erhalten ihre Aufträge von einem übergeordneten Lagerverwaltungssystem. Der Gabelstapler hat dabei die Aufgabe, den Schleppzug am Ausgangsort zu beladen und an entfernten Zielorten wieder zu entladen.

Im Intralogistik-Szenario sollen Gabelstapler und Schlepper derart automatisiert werden, dass diese in der Lage sind, ohne Leitdrähte und Landmarken frei zu navigieren und dabei Be- und Entladeaufgaben kooperativ zu erfüllen.

© DFKI

Zur Bestimmung der durch den Gabelstapler abzufahrenden Fahrwege bei Annäherung an den Schleppzug im Belade- und Entladebereich entwickeln die Projektpartner ein dynamisches Planungssystem, mit dem unter Beachtung der aktuellen Umgebungsverhältnisse die Wege kostenoptimal ausgelegt werden können. Eine besondere Herausforderung in diesen Bereichen stellt der gemischte Betrieb von autonomen und manuell gesteuerten Fahrzeugen dar. Die autonomen Fahrzeuge müssen folglich statische und dynamische Hindernisse wie Paletten, Personen oder andere Fahrzeuge erkennen und ihre Fahrwege dynamisch entsprechend anpassen können.

Für diese Bewegungsplanung der Fahrzeuge kommen  ähnliche Algorithmen zur Anwendung, wie sie auch im beschriebenen Anwendungs-Szenario aus dem Bereich der Landwirtschaft eingesetzt werden. Der Unterschied in der Bewegungsplanung liegt vor allem in den kinematischen und physikalischen Modellen der Fahrzeuge.

Eine Herausforderung im Anwendungsfall Intralogistik im Vergleich zur Landwirtschaft ist die Lokalisierung der Fahrzeuge. Die Landmaschinen können ihren Standort mit Hilfe von differen­tiellem GPS sehr genau bestimmen. Das ist in einer Lagerhalle nicht möglich, da hier kein GPS-Empfang vorhanden ist. Aus diesem Grund sind sowohl Gabelstapler als auch Schlepper mit einem rotierenden Laserscanner ausgerüstet, der die Umgebung dreidimensional vermisst. Diese Messdaten dienen dann zusammen mit einer auf dem Fahrzeug abgelegten Karte der Lokalisierung des Fahrzeugs. Diese Art der Lokalisierung ist immer mit einem gewissen Rest­fehler behaftet, so dass zum einen die Positionen der beteiligten Fahrzeuge nur begrenzt genau bekannt sind, zum anderen aber auch die Positionen der Schleppzuganhänger nur schätzbar sind, da diese der Spur des Schleppers nicht exakt folgen.

Eine genaue Kenntnis der Position der Anhänger und deren Ladung ist jedoch für eine sichere Be- und Entladung unbedingt erforderlich. Ergo stellt die Lokalisierung der Anhänger des Schleppzugs ein weiteres herausforderndes Problem dar. Ein den Schleppzug be- oder entladender Gabelstapler muss folglich erkennen können, an welcher Stelle sich der Anhänger und die gewünschte Palette auf dem Anhänger genau befindet. Dabei kommen ebenfalls die 3D-Laserscanner von Gabelstapler und Schlepper zum Einsatz, so dass basierend auf fusionierten Daten der beiden Laserscanner Szenen-Analysen durchführbar sind. Hierzu dienen Verfahren der Robotik, die dazu entwickelt wurden, es Robotern zu ermöglichen, eine semantische Repräsentation ihrer Umgebung zu erhalten und somit logische Schlussfolgerungen über ihre Umgebung durchführen zu können. Im Intralogistik-Szenario werden mit diesen Verfahren die Position der Anhänger, die Position der zu manipulierenden Paletten sowie die Position der kooperierenden Fahrzeuge in der dreidimensionalen Punktwolke bestimmt.

Das Projekt marion

Das Projekt marion ist eines von 13 Projekten aus dem Technologieprogramm „Autonomik: Autonome und simulationsbasierte Systeme für den Mittelstand“ des Bundesminis­teriums für Wirtschaft und Technologie (www.autonomik.de; Förderkennzeichen 01MA10027). Kern des Projektes ist die Bewegungs- und Verfahrensplanung mobiler Maschinen und Maschinengruppen, die eine Grundlage für den kooperativen, autonomen Maschinenbetrieb darstellt. Die Realisierung erfolgt in intelligenten Assistenzsystemen, die Prozesse autonom durchführen und die am Prozess beteiligten Menschen unterstützen. Im April 2012 wurde marion mit dem Preis „356 Orte im Land der Ideen“ der Initiative „Deutschland – Land der Ideen“ prämiert.

Autoren: Dr. Ronny Hartanto ist Senior Researcher am DFKI – Robotics Innovation Center in Bremen und Leiter des Projektes marion, Stephan Scheuren ist Junior Researcher am DFKI – Robotics Innovation Center und Dr. Stefan Stiene ist Senior Researcher am DFKI – Robotics Innovation Center.