Von Ira Effenberger, Jens Kühnle, Martin Stotz

Die Zuführung von Werkstücken von einem Prozessschritt zum nächsten geschieht heute in aller Regel so: Die Teile oder Baugruppen werden entweder in Spezial-Ladungsträgern zugeführt oder in Form von Schüttgut bereitgestellt. Ladungsträger erlauben eine geordnete Lagerung der Einheiten (Lage ist genau bekannt) oder eine halbgeordnete Lagerung (nur grobe Lageausrichtung ist bekannt), was die anschließende Handhabung vereinfacht. Jedoch sind diese Ladungsträger speziell an die zu lagernden Teile angepasst. Variationen hinsichtlich der geometrischen Form erfordern demzufolge zwangsläufig auch eine Anpassung der meist sperrigen Ladungsträger. Bei der Verwendung von Schüttgut liegen die Einheiten hingegen völlig ungeordnet vor.

Als Behälter lassen sich nahezu beliebige Ladungsträger beispielsweise Gitterboxen verwenden. Das Problem hierbei: Um Schüttgut handhaben oder einer Montagestation zuführen zu können, müssen die Einheiten wieder geordnet werden. Dies geschieht heute – wenn nicht manuell – mit Hilfe aufwendiger mechanischer Vorrichtungen wie Wendelförderern, Schikanen, Bändern oder Vereinzelungen. Auch diese sind speziell an die geometrische Form der zuzuführenden Einheiten angepasst. Ändert sich die Form der Werkstücke, sind nicht selten teure mechanische Anpassungen dieser komplexen Zuführtechnik die Folge.

3D-4-Robots-Demonstrator am Fraunhofer IPA. Die Roboterzelle dient nicht nur Forschungszwecken. Unternehmen, die an einer Automatisierung ihrer Handhabungssysteme interessiert sind, können diese Zelle auch als Plattform für Machbarkeitsuntersuchungen an Industrieteilen nutzen.

Eine alternative Methode der Zuführung zwischen verschiedenen Prozessschritten ist der „Griff in die Kiste“ – also das Greifen von Objekten direkt aus den Transportbehältern mit Hilfe eines Roboters. Dabei müssen die Objekte weder geordnet noch halbgeordnet sein, sondern können als völlig ungeordnetes Schüttgut vorliegen.

Der Griff in die Kiste setzt allerdings zuverlässige, computergestützte Systeme zur Objektlageerkennung voraus. Stand der Technik sind Methoden, die typischerweise auf Photogrammetrie-Verfahren basieren. Solche 2D-Bildverarbeitungsverfahren verwenden identifizierbare Merkmale, um Objektlagen zu erkennen: zum Beispiel Kreise, die auf der Oberfläche durch Bohrungen entstehen, oder Linien an Objektkanten. Sofern die zu erkennenden Objekte geordnet oder halbgeordnet vorliegen und gut zu identifizierende Merkmale aufweisen, können 2D-Methoden deren Lage zuverlässig erkennen. Bei ungeordneten Objekten hingegen mit nur schlecht identifizierbaren Merkmalen gelingt dies häufig nicht.

In der Wissenschaft und Forschung werden deshalb mehr und mehr Algorithmen beschrieben, die auf 3D-Information beruhen. Üblicherweise vergleichen diese Verfahren die wahrgenommene Szene mit Objektmodellansichten, die vorher angefertigt und in einer Datenbank hinterlegt wurden. Dies verursacht große Datenmengen, die es zu speichern und verarbeiten gilt, was letztlich zu einem erheblichen Bedarf an Speicherplatz und auch Rechenzeit führt. Zudem hängt die Genauigkeit der Lageerkennung von der Anzahl der Ansichten ab, die dem Objektmodell zugrunde liegen. Deshalb ist beispielsweise die Orientierung von Werkstücken oft nur auf ±3 Grad genau bestimmbar.

Gebilde aus Kegeln, Kugeln und Zylindern

Das am Fraunhofer IPA entwickelte Verfahren zur Objektlage-Erkennung – genannt 3D-4-Robots – schlägt einen anderen Weg ein. Anstatt die Gesamtform des betrachteten Objekts zu analysieren, berücksichtigt es nur die im Objekt enthaltenen regelgeometrischen Elemente und ermittelt aus deren Anordnung dann die Lage des Gesamtobjektes. Zur Erläuterung: Technische Werkstücke, so komplex sie auch sein mögen, setzen sich häufig zum Großteil aus einfachen Formen zusammen wie Ebene, Zylinder, Kegel oder Kugel – alles regelgeometrische Elemente. 3D-4-Robots nutzt diesen Umstand und gründet auf der Idee, dass die regelgeometrischen Elemente normalerweise genügend Information enthalten, um das Gesamtobjekt zu erkennen und dessen Lage zu bestimmen. Zudem ist es auf diese Weise möglich, einen Greifpunkt zu berechnen, für den gewährleistet ist, dass ein Greifer das erkannte Objekt dort auch greifen kann, ohne mit der Umgebung zu kollidieren.

Die einzelnen Schritte des Verfahrens zur automatischen Objektlage Erkennung (v.o.n.u.): Scannen, Erkennen/ Lokalisieren, kollisionsfrei Greifen, Handhaben. Das Beispiel zeigt die Best-Einpassung von Zylindern in eine Punktwolke.

Kernelement des vom Fraunhofer IPA entwickelten Verfahrens sind spezielle Algorithmen zur „Besteinpassung“ (Best-Fit) von Regelgeometrien in 3D-Messpunktwolken, über die sich die Form-, Positions- und Orientierungsparameter von geometrischen Elementen bestimmen lassen. Da diese Algorithmen insbesondere auch im Bereich der Messtechnik Anwendung finden, arbeiten sie äußerst präzise. Die Genauigkeit der Besteinpassungen hängt lediglich von der Messunsicherheit der verwendeten Sensorik ab; die Rechenzeit sowie der Speicherbedarf sind proportional zur Punktanzahl.

Ein Problem der meisten Best-Fit-Verfahren ist, dass die Punktwolke häufig auch Messwerte enthält, die nicht zu dem zu findenden Modell gehören. Bleibt dies unberücksichtigt, können solche Punkte einen wesentlichen negativen Einfluss auf das Ergebnis nehmen und dieses sogar unbrauchbar machen. Deshalb arbeiten die Best-Fit-Algorithmen des Fraunhofer-Instituts mit Strategien, die während der Besteinpassung solche Störpunkte erkennen und aus der Optimierung ausschließen. Dadurch werden alle Messpunkte, die einen zu großen Abstand zum Modell aufweisen, automatisch segmentiert.

Roboterzelle als Demonstrationsobjekt

In Anwendungen wie dem Griff-in-die- Kiste ist vor allem die Geschwindigkeit von entscheidender Bedeutung, mit der sich Objekte lokalisieren lassen. Die vollständige Zerlegung einer wahrgenommenen Szene in deren regelgeometrische Bestandteile ist deshalb nicht sinnvoll, weil damit ein enormer Rechenaufwand verbunden ist. Für die automatisierte Handhabung ist dies aber auch gar nicht notwendig. Vielmehr genügt es dafür zu sorgen, dass pro Erkennung mindestens ein Objekt in der Szene lokalisiert wird. Und mit einer Vorverarbeitung der Daten im Tiefenbild sinkt der Rechenaufwand für die Best-Fits deutlich.

Zur Demonstration der Realisierbarkeit des geschilderten Ansatzes dient eine eigens aufgebaute Roboterzelle. Die zu greifenden Werkstücke liegen hier ungeordnet in einer Kiste. Zur Datenaufnahme dient ein Lichtschnittsensor, der ein Sichtfeld von 250 mm × 600 mm und eine Höhenauflösung von 0,2 mm hat. Um ein Tiefenbild zu erhalten, wird der Sensor entlang einer Linearachse über den Behälter hinweg verfahren. Gleichermaßen ließen sich für diesen Zweck auch andere 3D-Sensoren wie beispielsweise Streifenlicht-Projektoren oder die neu auf dem Markt befindlichen „Time-of-Flight“-Kameras verwenden, sofern deren Auflösung und Genauigkeit für die betrachtete Anwendung ausreichend ist. 3D- 4-Robots lokalisiert pro Aufnahme ein Objekt, welches kollisionsfrei gegriffen werden kann. Der berechnete Greifpunkt wird an den Roboter übermittelt, der das Objekt zuerst greift und anschließend lagerichtig ablegt.

Das Verfahren zur 3D-Objektlage-Erkennung läuft auf einem 3,4-GHz-Standardcomputer mit 2 GByte RAM. Die Zeit zur Erkennung und Lokalisierung eines Objekts beträgt nur etwa 0,25 Sekunden, und dies sogar wenn mehrere Regelgeometrien einzupassen sind. Die Genauigkeit der Lokalisierung liegt bei ±0,5 Grad rotatorisch und ±0,5 mm translatorisch. Bislang erfolgt die Konfiguration des Systems noch von Hand, sie ist aber durch Einstellen weniger Parameter schnell auf die Erkennung anderer Bauteile anpassbar. Zudem laufen bereits Arbeiten an einem Werkzeug mit dem Ziel, neue Objekte automatisch einzulernen.

Autor

Ira Effenberger leitet die Arbeitsgruppe „3D-Bildverarbeitung“ am Fraunhofer IPA.

Jens Kühnle ist wissenschaftlicher Mitarbeiter am Fraunhofer IPA.

Martin Stotz ist wissenschaftlicher Mitarbeiter am Fraunhofer IPA.