Suchen

Griff in die Kiste Maschinelle Lernverfahren verfeinern Griff in die Kiste

| Autor/ Redakteur: Hannes Weik / Mag. Victoria Sonnenberg

Wenn dünne, metallisch glänzende Blechteile ungeordnet in einer Kiste liegen, taten sich Industrieroboter bisher schwer, diese zu erkennen und zu greifen. Inzwischen ist es Wissenschaftlern des Fraunhofer-IPA gelungen, den roboterbasierten Griff in die Kiste auch in solchen Fällen deutlich zuverlässiger zu gestalten.

Firmen zum Thema

Dank der Bildverarbeitungssoftware bp3 ist dieser zweiarmige Roboter in der Lage Bauteile aus einer Kiste zu greifen und definiert abzulegen.
Dank der Bildverarbeitungssoftware bp3 ist dieser zweiarmige Roboter in der Lage Bauteile aus einer Kiste zu greifen und definiert abzulegen.
(Bild: Fraunhofer IPA/Rainer Bez)

Bisher war der Mensch unschlagbar, wenn es darum ging flache, baulich verschiedene Blechteile, die ungeordnet in einer Kiste lagern, für die weitere Verarbeitung zu vereinzeln. „Gerade bei metallisch glänzenden Objekten stieß die automatisierte Handhabungstechnik bislang schnell an ihre Grenzen“, sagt Werner Kraus vom Fraunhofer-IPA in Stuttgart. „Die bildgebenden Sensoren lieferten oft Aufnahmen, deren Bildrauschen genauso groß war wie die Bauteildicke. In solchen Fällen war der Griff in die Kiste noch nicht einmal in 10 % aller Fälle erfolgreich.“

Onlinekurse zu Machine Learning Digitales Weiterbildungsangebot
Das Würzburger Fachmedienunternehmen Vogel Business Media geht gemeinsam mit dem Münchner Start-up „University4Industry“ (U4I) neue Wege der digitalen Weiterbildung. Die Onlinekurse sollen es vor allem kleineren und mittelständischen Industrieunternehmen ermöglichen, „Industrie 4.0“ konkret im eigenen Betrieb anzuwenden.

Überhaupt möglich macht den roboterbasierten Griff in die Kiste die Bildverarbeitungssoftware bp3, die Kraus und sein Team am Fraunhofer-IPA entwickelt haben und laufend verbessern. Sie befähigt Industrieroboter Werkstücke in einer Kiste zuverlässig zu erkennen, sicher zu greifen und definiert abzulegen. Bildgebende Sensoren erzeugen zunächst eine Punktwolke. Anhand dieser lokalisiert und detektiert bp3 einzelne Objekte in einer Kiste. Spezielle Algorithmen gleichen diese mit den hinterlegten CAD-Modellen ab und finden Übereinstimmungen. Ist ein Bauteil zweifelsfrei identifiziert, bestimmt bp3 einen geeigneten Greifpunkt. Dabei spielt es keine Rolle, wenn Bauteile ungeordnet in einer Kiste lagern, also unterschiedlich ausgerichtet und teilweise verdeckt sind. Denn für jeden Gegenstand, den ein Industrieroboter vereinzeln soll, sind mehrere Stellen vordefiniert, an denen der Greifer prozesssicher ansetzen kann. Unabhängig vom gewählten Greifpunkt legt die Software alle baugleichen Objekte in der vorab festgelegten Ausrichtung ab. Die Bewegungsbahn wird entsprechend angepasst.

Bildergalerie

Dabei ist die Software bp3 nicht nur bei der Bauteilform flexibel, sondern unterstützt auch Sensoren und Roboter völlig verschiedener Hersteller. Eine grafische Benutzeroberfläche erleichtert Nutzern die Bedienung. Mit wenigen Klicks können sie neue Bauteile einlernen und komplexe Greifergeometrien bei Bedarf mit bis zu zwei Zusatzachsen (siebte und achte Roboterachse) zusammenstellen. Die einfache Konfiguration erlaubt das schnelle Umrüsten bei neuen Produktvarianten. Damit lässt sich bp3 in eine wandlungsfähige Produktion integrieren, in der Kleinserien mit der gleichen Effizienz gefertigt werden wie Massenware.

Reflektierende Bauteile erkennen

Die Bildverarbeitungssoftware bp3 profitiert von neuester Sensortechnik. Sie liefert hochaufgelöste Bilder, wodurch Industrieroboter nun auch reflektierende Bauteile erkennen und präziser als jemals zuvor greifen können. Damit sind sie jetzt auch in der Lage dünne, metallisch glänzende Blechteile zuverlässig zu vereinzeln. Die nächste große Leistungssteigerung erwarten die Forscher um Kraus vom Einsatz maschineller Lernverfahren.

Dabei ändert sich die Art der Datenverarbeitung grundlegend: Wo bisher noch die Algorithmen des Roboterarms für jede Aufgabe und jedes Bauteil neu programmiert werden müssen, soll schon bald künstliche Intelligenz zum Einsatz kommen. „Roboter werden damit in der Lage sein Objekte, zu erkennen, die sie noch nie vorher gesehen haben, und Strategien zu entwickeln, wie sie diese am besten handhaben“, fasst Kraus das Ziel zusammen.

Bereits vor zwei Jahren ließen Google und die Universität von Kalifornien in Berkeley zwei Monate lang 14 Roboter insgesamt über 800.000 Greifversuche an verschiedenen Alltagsgegenständen durchführen. Auf Vorwissen aus hinterlegten CAD-Daten konnten die Roboter dabei nicht zurückgreifen. Sie mussten sich mit den Informationen begnügen, die ihre Kameras lieferten, und einfach so lange probieren, bis sie den richtigen Griff gefunden hatten. Trotz des mangelnden Vorwissens war die Fehlerquote letztlich verblüffend niedrig: Sie lag bei zehn bis 20 %.

„Wenn das Machine Learning in der Industrie Anwendung finden soll, muss sich die Lernzeit mit echten Bauteilen drastisch verkürzen. Wir arbeiten daher mit Simulationen, um Fehlgriffe und Kollisionen mit realen Robotern zu vermeiden“, sagt Kraus. Im Forschungsprojekt ‚Deep Grasping‘ arbeitet er gerade zusammen mit Wissenschaftlern von der Universität Stuttgart an einer virtuellen Lernumgebung, in der Roboter künftig vor ihrer Inbetriebnahme ihre neuronalen Netze schulen und sich über ihre Erfahrungen austauschen sollen. Der Griff in die Kiste soll also nicht mehr in der Praxis geübt, sondern nur noch simuliert werden. Die vortrainierten Netze werden anschließend auf den realen Roboter übertragen.

Schon bald wollen sie ihren Laboraufbau in einen Demonstrator überführen und in ein bis zwei Jahren sollen erste Projekte mit Partnern aus der Industrie anlaufen. Alle bisherigen Ergebnisse aus ‚Deep Grasping‘ präsentieren Kraus und sein Team von 19. bis 22. Juni auf der Automatica 2018 in München: Halle A4, Stand 421. MM

* Hannes Weik M. A. ist Redakteur mit dem Themengebiet Robotik am Fraunhofer-Institut für Produktionstechnik und Automatisierung IPA, Abteilung Roboter- und Assistenzsysteme, in 70569 Stuttgart, Tel. (07 11) 9 70 38 74, hannes.weik@ipa.fraunhofer.de

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 45289819)