Pick and Place-Roboter werden in Produktionsumgebungen mit hohem Durchsatz gern zur Automatisierung eingesetzt. Herkömmliche Systeme sind jedoch meist auf bestimmte Produktgrössen und -formen abgestimmt. KI kann dabei helfen, auch in anspruchsvollen Situationen zu agieren.

Gerade im E-Commerce, bei dem oftmals mehrere unterschiedliche Waren pro Auftrag kommissioniert werden, ist der Einsatz von traditionellen Systemen mit aufwändigen Umrüstungen oder Programmierungen verbunden. Auch bei der Beschaffenheit der Artikel können die Roboter grundsätzlich nicht einschätzen, wie diese zu handhaben sind, sondern müssen für jedes Produkt eingelernt werden. So unterscheidet das System zum Beispiel nicht zwischen zerbrechlichen Glasartikeln und robusten Metallprodukten. Folglich wird eine Glühbirne mit der gleichen Kraft vom Greifarm aufgenommen wie ein schweres Werkzeug.

 

 

Auch wenn es sich bei einem Auftrag um eine auf den Roboter abgestimmte Warengruppe handelt, kann es vorkommen, dass die Produkte unbeabsichtigt ineinander verhakt sind oder sich in einer ungünstigen Position im Behälter befinden. In solchen Situationen muss bei herkömmlichen Lösungen menschliches Fachpersonal eingreifen, um eine erfolgreiche Kommissionierung zu ermöglichen. Ein weiteres Manko ist die mangelnde Integration in bestehende, vernetzte Produktionsumgebungen. Dadurch ist die Kompatibilität mit anderen Maschinen und Systemen stark eingeschränkt, was zu Insellösungen führt. Gerade in hoch digitalisierten Lagern ist die Vernetzung verschiedener Software mit einer modernen Schnittstellen-Infrastruktur Voraussetzung.

Moderne Probleme

Um auch in komplexeren Produktionsumgebungen autonom und ohne menschliches Eingreifen agieren zu können, müssen die Pick and Place-Systeme modernisiert werden. Dazu gehört insbesondere, unterschiedliche Warengruppen zuverlässig zu kategorisieren und selbstständig geeignete Lösungsstrategien zu finden – auch für vorher unbekannte Objekte. Um dies zu erreichen, muss der Roboter je nach zu handhabendem Produkt flexibel zwischen verschiedenen Greifsystemen wechseln. Um die Belastung der Mitarbeitende so gering wie möglich zu halten, sollte die Lösung zudem in der Lage sein, beschädigte Artikel zu erkennen und diese automatisch auszusortieren. Für den Fall, dass dennoch ein Mitarbeiter für Anweisungen oder Rückmeldungen benötigt wird, sollte die Kommunikation zwischen Mensch und Maschine unkompliziert und in Echtzeit erfolgen können. Um all dies in die Praxis umzusetzen, ist die Implementierung von KI erforderlich.

 

Fotos: Sereact

 

Durch die Kombination von KI und Kommissionierrobotik wird eine deutliche Effizienzsteigerung in der Auftragsabwicklung erreicht. Technologieführer im Bereich der Kommissionierrobotik konzentrieren sich dabei insbesondere auf den Einsatz von Vision Language Models (VLMs). VLMs sind eine Kombination aus KI-basierten visuellen und sprachlichen Modellen, die in der Lage sind, Bilder mit ihren zugehörigen Textbeschreibungen zu verknüpfen. Werden diese Modelle um Aktionsparameter erweitert, entsteht daraus ein Vision Language Action Model (VLAM). Ein Beispiel für ein VLAM aus der Robotik ist PickGPT des Stuttgarter Softwareentwicklers Sereact. Das System ist darauf ausgelegt, natürliche Sprache zu verstehen und auf dieser Basis seine Umgebung genau zu analysieren und eigenständig zu agieren. Auch wenn das Modell autonom arbeitet, wird eine nahtlose Kommunikation mit menschlichen Mitarbeitern über Sprach- und Textbefehle jederzeit unterstützt. KI-basierte Pick and Place-Systeme arbeiten zudem auf Grundlage eines «Zero Shot Learning».

 

Von KI profitieren

 

Zero Shot Learning ist ein Konzept aus dem maschinellen Lernen, das es einem Modell ermöglicht, neue Klassifizierungen von Objekten zu erkennen, ohne diese während des Trainings gesehen zu haben. Dadurch kann das System in der Praxis auch selbstständig auf ihm unbekannte Kommissionier-Situationen reagieren und agieren. Produkte werden in Echtzeit anhand ihres Aussehens identifiziert und interpretiert. Dabei berücksichtigt es deren spezifische Eigenschaften wie Form, Farbe, Gewicht oder Beschaffenheit und wählt eigenständig die passende Picking-Methode.

Die Software kann in verschiedene Lagersysteme integriert werden und agiert zudem hardwareagnostisch. Sie eignet sich daher auch für Lager mit traditionellen Pick and Place-Systemen, da sie sich mit einer breiten Palette von Roboterkomponenten integrieren lässt.

Selbst bei kleineren Abweichungen, wie unterschiedlichen Platzierungen von Produkten im Behälter oder variierenden Formen – sei es ein Apfel, der nicht aussieht wie der andere – entfalten die Systeme ihre Stärken.

 

www.sereact.ai