Bedeutung und Zweck von Sensoren variieren stark zwischen den verschiedenen Robotertypen. Während die Arme klassischer Fertigungsroboter beispielsweise nur wenig Gebrauch von Sensoren machen und in der Regel nur einem vorprogrammierten Pfad folgen, gibt es auf der anderen Seite des Spektrums mobile Roboter, die in überwiegend menschlicher Umgebung arbeiten, zum Beispiel Roboterwagen, die in Krankenhäusern Wäsche transportieren und stark auf Sensoren angewiesen sind. Der traditionelle Ansatz ist dann effektiv, wenn alles um den Roboter herum fixiert ist, er also weitestgehend isoliert von Menschen arbeitet und die vom Roboter gehandhabten Gegenstände sich immer an der gleichen Stelle befinden. Roboter mit entsprechenden Sensoren hingegen bewegen sich in dynamischen Umgebungen, in denen unerwartete Bewegungen eines menschlichen Kollegen plötzlich den Weg des Roboters versperren können. Um in solchen Umgebungen sicher arbeiten zu können, müssen die Roboter mit 3D-Kameras, Lidars, Sonaren und ähnlichem ausgestattet werden, um ihr dynamisches Umfeld wahrnehmen und sich diesem anpassen zu können.

Die Anforderungen an eine Roboterlösung für ein Logistiklager liegen irgendwo in der Mitte: Die Umgebung ändert sich nicht allzu sehr, doch die Gegenstände, die gehandhabt werden müssen, ändern sich mit jeder Aufgabe und auch ihre Positionen sind oft unsicher. Der Einsatz von 2D- und 3D-Kameras hilft dabei, insbesondere diese Gegenstände zu finden.

Umgebung wahrnehmen

3D-Kameras können in Pick-and-Place-Systemen eingesetzt werden, um detaillierte Bilder zu erfassen, die dem Roboter helfen, ein umfassendes Verständnis seiner Umgebung zu entwickeln. Bildverarbeitungsalgorithmen verarbeiten diese Daten und ermöglichen es dem Roboter, seine Pick-and-Place-Aufgaben präzise und effizient auszuführen. Durch die kontinuierliche Analyse und Bewertung seiner Umgebung kann der Roboter effektiv verschiedene Aufgaben gleichzeitig ausführen.

360°-Barcodescanner helfen dabei, durch intelligente Routenplanung die Abläufe im Lager zu optimieren. Dies ermöglicht ein schnelles Lesen aus jedem Winkel und minimiert letztlich den Bedarf an manuellen Anpassungen.

Aufnehmen und Ablegen

Die Integration von Computer Vision in die Robotik ermöglicht Objekterkennung, Navigation und präzise Aufgabenausführung.

© Smart Robotics

Nimmt ein Roboter als Reaktion auf eine entsprechende Aufforderung etwas auf, sendet er gleichzeitig eine Bildaufnahmeanforderung an jede 3D-Kamera. Durch eine Tiefenbildanalyse identifiziert der Algorithmus dann genau den Behälter, aus dem etwas entnommen werden soll, und aktualisiert das Weltmodell des Roboters, um eine genaue Positionierung zu gewährleisten und Kollisionen zu vermeiden. Müssen Gegenstände in einen Behälter gelegt werden, wird ein neues 3D-Bild erzeugt, um sowohl den Behälter als auch seinen Inhalt zu erkennen. Ein spezieller Stapelalgorithmus bestimmt dann die optimale Stapelreihenfolge und berücksichtigt dabei auch Abstandsberechnungen, um eine schonende Hand- habung zu gewährleisten.

Detailarbeit

2D-Kameras können eingesetzt werden, um die zu entnehmenden Artikel zu identifizieren, ergänzt durch Computer Vision und Deep Learning-Algorithmen, um ihre Position und Menge innerhalb des Behälters zu bestimmen. Anhand dieser Informationen kann der Roboter sein Kollisionsmodell aktualisieren und die Entnahme von Artikeln ohne Kollisionen durchführen. Darüber hinaus können die Deep Learning-Algorithmen auch die Materialart der Gegenstände erkennen, zum Beispiel ob sie aus Pappe, Papier, Hart- oder Weichplastik bestehen, so dass der Roboter den richtigen Saugnapf für das jeweilige Material auswählen kann.

In der Zwischenzeit kann ein in den Greifer integrierter Gewichtssensor die Masse jedes Gegenstands erfassen. Dies hilft dabei, festzustellen, ob der Roboter versehentlich zwei Gegenstände statt einem aufgenommen hat, und seine Bewegungsgeschwindigkeit entsprechend zu regulieren, um zu verhindern, dass er sie fallen lässt.

Da sich in den Behältern mehrere Gegenstände befinden können, die sich möglicherweise gegenseitig behindern, kann es sein, dass der Roboter anfangs nicht alle Abmessungen genau kennt. Daher ist ein neues Bild von jedem entnommenen Gegenstand erforderlich, um dessen Maße genau zu erfassen. Diese Aufgabe wird durch die 3D-Kamera erleichtert, die ein neues Bild des Gegenstands aufnimmt, den der Roboter in der Hand hält.

Zudem ist es möglich, dass der Roboter die ideale Greifposition ermittelt, indem er die Ausrichtung der Gegenstände genau analysiert. Liegt ein Gegenstand beispielsweise schräg, muss der Roboter seinen Greifer so einstellen, dass er seinen Saugnapf auf die richtige Oberfläche neigt.

Erhöhte Zuverlässigkeit

Der Smart Parcel Picker ist ein intelligenter Paket-Kommissionierroboter für die Depalettierung und Entladung von Paketen.

© Smart Robotics

Es versteht sich von selbst, dass verbesserte Sicht- und Erkennungsfunktionen die Zuverlässigkeit von Robotern deutlich erhöhen. Da der Roboter Objekt-informationen direkt aus den 3D-Bildern ableitet, ist kein mühsames SKU-Teaching mehr erforderlich. SKU (Stock Keeping Unit) ist eine durch einen Code eindeutig identifizierbare Lagereinheit, die im System eines Unternehmens hinterlegt ist. Der Roboter lernt kontinuierlich dazu, er lernt von jedem 3D-Bild, das er analysiert. Dies verbessert seine Fähigkeiten und führt zu einer schnelleren und genaueren Artikel- erkennung. Dank der fortlaufenden Analyse der Umgebung durch den Roboter, die die Position der Behälter und die Maße der Artikel umfasst, wird zudem die Wahrscheinlichkeit von Kollisionen erheblich reduziert.

Entwicklungen in der Kameratechnik

Im Bereich der Kameratechnologie gibt es derzeit verschiedene interessante Entwicklungen: Bei den 2D-Kameras etwa ist eine rasche Steigerung der Auflösung zu beobachten. Während im Bereich der Verbraucherkameras Auflösungen von 12 bis 48 MP für Smartphone-Kameras keine Seltenheit sind, war die Auflösung in der Robotik oft auf 1 MP beschränkt. In den letzten Jahren haben die Hersteller jedoch Auflösungen von 5, 8 und mehr MP auf den Markt gebracht. So lassen sich inzwischen kleinere Gegenstände und Details besser erkennen.

Bei den 3D-Kameras geht die Entwicklung sogar noch weiter. Gerade im letzten Jahr ist die Zahl der Anbieter von 3D-Kameras mit einer Reihe technischer Spezifikationen, einer deutlich höheren Auflösung und folglich einer verbesserten Genauigkeit deutlich gestiegen. Besonders bedeutsam ist hier die Integration von Deep Learning zur Verbesserung der Qualität von 3D-Daten. Für die meisten 3D-Kameras ist es problematisch, vollständige und genaue Daten für alle Oberflächen innerhalb eines Bildes zu erfassen, was oft zu Lücken oder Bereichen mit hoher Unsicherheit führt. Kameras, die Deep Learning-Algorithmen nutzen, treten an, um diese Lücken auf der Grundlage von Beispielbildern intelligent zu füllen.

Bildverarbeitung, Bewegung und Aufgabenplanung

Roboter müssen eine große Vielfalt von Gegenständen präzise handhaben und sich kontinuierlich anpassen und ihre Effizienz verbessern – und das in komplexen Umgebungen. Um dies zu erreichen, ist eine sorgfältige Orchestrierung von Bildverarbeitung, Bewegung und Aufgabenplanung erforderlich. Die Integration von Computer Vision in die Robotik hat die Art und Weise, wie Roboter ihre Umgebung durch digitale Bilder oder Videos interpretieren, revolutioniert und ermöglicht so Objekt-erkennung, Navigation und präzise Aufgabenausführung. Die Entwicklung sicherer und effizienter Bewegungsplanungssysteme stellt jedoch nach wie vor eine Herausforderung dar, da anspruchsvolle Algorithmen erforderlich sind, um die Bewegungen eines Roboters präzise zu steuern.

Der Autor: Heico Sandee ist CEO und Co-Founder von Smart Robotics in Best, Niederlande.

© Smart Robotics

Software für die Planung und Ausführung von Aufgaben ergänzt diese Systeme und ermöglicht es Robotern, Aufgaben zu verstehen, zu ordnen und autonom auszuführen. Während die Bewegungen den größten Teil der Zykluszeit eines Roboters ausmachen, dient die Bewegungsplanung dazu, den Weg des Roboters von A nach B zu lenken. Die Aufgabenplanung hingegen umfasst alle Aktionen, die ein Roboter ausführen muss, wie zum Beispiel das Anfahren der Entnahmeposition, das Erstellen eines 3D-Bildes oder das Ausschalten des Greifers, und stellt sicher, dass sie genau zum richtigen Zeitpunkt ausgeführt werden, um das Ziel, zum Beispiel die Entnahme und Platzierung eines Artikels, zu erreichen.