Bildbasierte Vision-Systeme werden in Fertigungen zur Steuerung von Robotern eingesetzt. Typischerweise wird dafür ein Roboterarm mit einer oder mehreren Kameras ausgestattet, die ein sekundäres Feedback an die native Steuerung übermitteln. Dadurch kann der Roboter variable Zielpositionen präziser ansteuern und Objekte genauer manipulieren.

Traditionelle Vision-Systeme, die auf 2D- oder 3D-Technologien beruhen, stoßen allerdings bei zahlreichen Anwendungen an ihre Grenzen. Der Hauptgrund dafür liegt in den rigiden Annahmen, die diese Systeme über Werkzeuge, Werkstücke und ihre Arbeitsumgebung treffen müssen. Mit der Verbreitung neuartiger Systeme, die auf maschinellem Lernen, einem Teilgebiet der KI, basieren, ändert sich dies nun. KI-basierte Systeme ermöglichen eine Auge-Hand-Koordination in Echtzeit, die vergleichbar ist zum menschlichen Sehsinn.

Grenzen überwinden mit KI

Doch welche Begrenzungen der 2D- oder 3D-Technologien sind konkret gemeint?

KI-basierte Vision-Systeme können Varianzen im Aussehen von Werkteilen bewältigen, zum Beispiel handverlötete Rohre, wie sie bei der Prüfung von Kühlschränken vorkommen. © Micropsi Industries

Probleme mit CAD- und 3D-Daten oder 2D-Matching-Systemen: Systeme, die auf 6D-Posenschätzung basieren und CAD-Modelle sowie 3D-Kameras verwenden, haben häufig Schwierigkeiten mit (rotations-)symmetrischen Teilen. Die Erkennung und präzise Handhabung solcher Teile stellt eine große Herausforderung dar, insbesondere bei anspruchsvollen Fügeaufgaben. Im Gegensatz dazu sind KI-basierte Vision-Systeme, wie etwa die Software ‚Mirai‘ von Micropsi, nicht auf CAD- oder 3D-Daten angewiesen und können effektiv mit Symmetrien umgehen. Einfaches 2D-Matching stößt an seine Grenzen, wenn es mit variablen Lichtverhältnissen, Transparenz oder Reflexion konfrontiert wird. Solche Systeme scheitern dann, wenn die dreidimensionale Lage und Orientierung der Werkstücke von Bedeutung sind. KI-basierte Vision-Systeme überwinden diese Hürden, indem sie robuste Algorithmen einsetzen, die selbst unter schwierigen Bedingungen zuverlässige Ergebnisse liefern.

Umgang mit Varianzen in Form und Aussehen: Sowohl 2D- als auch 3D-Vision-Systeme haben typischerweise Schwierigkeiten, Werkstücke zu verarbeiten, die in ihrem Aussehen variieren. Sie setzen voraus, dass die Werkstücke vollständig rigide sind und sich weder in Form noch Aussehen von Takt zu Takt verändern. Selbst wenn bei einem 3D-Vision-System das zugrunde liegende CAD-Modell ausgetauscht wird, muss der Anwender sich auf eine einzelne, feste Geometrie festlegen. Die Möglichkeit eines flexiblen Wechsels zwischen verschiedenen Varianten fehlt dabei, was das Handling von Bauteilen aus variantenreichen Prozessen erschwert. Varianzen treten etwa bei der Einführung neuer Bauteiltypen auf, wenn ein System nicht nur weiße eckige, sondern auch schwarze runde Stecker in zufälliger Reihenfolge verarbeiten soll. Die Herausforderung wird noch größer, etwa bei handverlöteten Rohren in der Qualitätsprüfung von Kühlschränken, deren Form und Färbung sich in jedem Takt ändern. Ein KI-basiertes System kann vom Anwender so trainiert werden, dass es mit einer breiten und nach und nach wachsenden Palette von Varianzen umgehen kann. Damit ist es möglich, dass eine einzige Roboterstation diverse Varianten eines Werkstücks sogar in zufälliger Folge effizient verarbeitet.

Geometrie-Erfassung bewegter Teile: Eine der vielleicht gravierendsten Einschränkungen traditioneller Systeme besteht darin, dass sie üblicherweise nur die Lage von rigiden Teilen im Arbeitsbereich des Roboters bestimmen können. Sie können ohne zusätzliche Messungen die Geometrie der vom Roboter bewegten Teile nicht erfassen, sei es das Werkzeug selbst oder gegriffene Bauteile im Werkzeug. Daher müssen diese Systeme voraussetzen, dass die Geometrie der bewegten Teile vollständig starr ist und ihre Position relativ zum Roboter unverändert bleibt. Diese Annahmen werden jedoch in vielen praktischen Anwendungen verletzt, was eine Automatisierung unmöglich und unwirtschaftlich macht. Betroffen sind insbesondere Greif- und Fügeaufgaben mit biegeschlaffen Teilen oder solchen, die aufgrund von Prozessvarianzen nicht einheitlich gegriffen werden können. Im Gegensatz dazu korrigieren KI-Systeme ständig und in Echtzeit die relative Ausrichtung zwischen dem Werkzeug beziehungsweise dem gegriffenen Bauteil und den Werkstücken im Arbeitsraum. Diese dynamische Anpassung ermöglicht es, präzise Aufgaben auszuführen, die mit traditionellen Systemen nicht automatisierbar wären.

Lifecycle-Management der Installation: Funktionieren Vision-Systeme anfangs noch zufriedenstellend, können bereits kleinste Änderungen in vorgelagerten Prozessen zu Störungen führen. Eine Reaktion auf solche Veränderungen ist oft nur möglich, wenn die neu auftretende Varianz als einmalige und umfassende Anpassung eingeführt wird, wobei auch das Vision-System auf die neue Situation umgestellt werden muss. Problematisch wird es dann, wenn die neue Varianz als zusätzlicher Fall auftritt und die Vielfalt der zu erkennenden Objekte vergrößert wird – zum Beispiel durch die Einführung eines neuen Bauteiltyps, während noch Restbestände des alten Typs verarbeitet werden. In solchen Szenarien stoßen traditionelle Systeme schnell an die Grenzen ihrer Anpassungsfähigkeit. KI-Systeme hingegen können direkt vom Anwender angepasst werden und lernen, sowohl die alten als auch die neuen Bauteile zu bewältigen. Dies ist sogar dann möglich, wenn keine ausreichend genauen CAD-Modelle für die neue Variante verfügbar sind, da das Training direkt am realen Objekt erfolgt.