KI für das Greifen unbekannter Bauteile

Moderne Lösungen für das Robotergreifen umfassen Machine-Learning-Methoden, die auch das sichere Greifen unbekannter Werkstücke mit variablen Geometrien ermöglichen. Das befähigt Industrieroboter, Objekte zu erkennen, zu lokalisieren und schließlich zu greifen.

 

Bilder: Gestalt Robotics GmbH

Moderne Industrieroboter erweitern mithilfe von Sensorik und künstlicher Intelligenz ihr Anwendungsspektrum. Fernab von statisch programmierten Anwendungen, die sich nicht ohne manuelle (Re-)Programmierung veränderten Anforderungen anpassen, ergeben sich speziell durch moderne Bildverarbeitung in Kombination mit Machine-Learning-Verfahren neue Möglichkeiten. Die resultierenden Applikationslösungen passen sich automatisch an veränderte Werkstückgeometrien und Ablagepositionen an und lassen sich über intuitive Bedienoberflächen in wenigen Schritten erweitern. Somit entstehen flexible Produktionssysteme, die dem industriellen Bedarf hinsichtlich kleiner Losgrößen und Produktindividualisierung genügen sowie dem Fachkräftemangel begegnen. Moderne Lösungen für das Robotergreifen umfassen Machine-Learning-Methoden, die auch das sichere Greifen unbekannter Werkstücke mit variablen Geometrien ermöglichen. Das befähigt Industrieroboter, Objekte zu erkennen, zu lokalisieren und schließlich zu greifen. Es werden hierfür keine kostspieligen Sensorsysteme, CAD-Modelle oder andere Informationen benötigt. Gestalt Robotics bietet die Entwicklung von passgenauen Softwaremodulen (englisch Skills) zum flexiblen Robotergreifern unter Berücksichtigung verschiedener Sensor- und Greifprinzipien, z.B. mechanische Finger- und Backengreifer sowie Saug- und Magnetgreifer. Neben freiliegenden Objekten lassen sich mit Visual-Servoing-Technologien auch Objekte in Bewegung greifen. Zudem lässt sich flexibles Bin Picking in entsprechenden Skills umsetzen.

Adaptives Greifen mit CNNs

Die eingesetzten KI-Module zum adaptiven Greifen basieren auf neuronalen Netzwerken unter Verwendung von 2,5D-Kamerabildern. Auf Basis vortrainierter Netze lassen sich spezifische Skills für das sichere Greifen individueller Bauteilgruppen erstellen, z.B. Behälter oder Schrauben. Ohne Vorwissen über die Positionierung und die genauen Maße der Bauteile sind die neuronalen Netze in der Lage, automatisch sichere Greifposen für den Roboter zu bestimmen. Spezifische Greifprinzipien sowie individuelle Greifparameter, wie z.B. der Hub, werden beim Training der Netzwerke berücksichtigt. Mit Hilfe von selbst entwickelten Werkzeugen, Methoden und Standards ermöglicht Gestalt Robotics den Einsatz von künstlicher Intelligenz im industriellen Umfeld. Zur Sicherung der Nachvollziehbarkeit wurde gemeinsam mit Partnern die DIN SPEC92001-1 definiert. Diese verfolgt das Ziel, die Qualität von KI-Methoden anhand eines einheitlichen Konzepts zu sichern. Relevante Qualitätsaspekte werden über den gesamten Lebenszyklus von KI-Modellen hinweg ganzheitlich betrachtet und miteinander in Verbindung gebracht.

KI-Skills aus dem Baukasten

Die Basis für die passgenaue Umsetzung von flexiblen Robotikanwendungen stellt das nahtlose Zusammenspiel verschiedener Technologien aus den Bereichen der Steuerung, KI und Nutzerinteraktion dar. Mithilfe eines Baukastensystems und grafischer Programmierung lassen sich diese passgenau kombinieren und vernetzen. Das flexible Greifen lässt sich somit im Handumdrehen mit einem Skill für die kollisionsfreie Handhabung kombinieren, um die gegriffenen Teile auch in dynamischen Umgebungen sicher am Ziel abzulegen. Weiterführend lassen sich über KI-Skills zur Bauteildetektion auch bei Bedarf nur spezifische Bauteilgruppen oder -klassen greifen.

Herstellerunabhängig und skalierbar

Herstellerunabhängige Software-Schnittstellen und Workflow-Konzepte unter der Nutzung von Industriestandards und Open Source sind die Grundlage für die nahtlose Integration der intelligenten Robotikanwendungen. Derart lassen sich Industrieroboter aller gängigen Hersteller verwenden. Bezüglich skalierbarer KI-Lösungen lassen sich die Integrationskonzepte auf verteilte Architekturen erweitern. Zusätzlich ergibt sich so ein nahtloser Informationsaustausch und die Anbindung an moderne Plattformkonzepte.

www.gestalt-robotics.com

Das könnte Sie auch Interessieren

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

Strukturierter Beratungsansatz für KI-Einsatzbereiche im Unternehmen

„Künstliche Intelligenz ist eine, wenn nicht die wichtigste Zukunftstechnologie für Unternehmen.“ Diese Aussage bejahen 70 Prozent der Befragten der jüngsten Bitkom-Studie zu KI. Aber nur 10 Prozent aller Unternehmen haben KI-Technologie aktiv im Einsatz, lediglich 30 Prozent planen und diskutieren deren Anwendung. Was ist der Grund für diese große Diskrepanz?

Bild: Blue Yonder, Inc.
Bild: Blue Yonder, Inc.
Künstliche Intelligenz – mehr als eine Wissenschaft

Künstliche Intelligenz – mehr als eine Wissenschaft

Data Science ist mittlerweile ein fester Bestandteil der strategischen Planung in vielen Unternehmen. Um künftige Entwicklungen realistisch zu planen, brauchen wir Künstliche Intelligenz (KI) und Maschinelles Lernen (ML). Insbesondere im Einzelhandel vertrauen immer mehr große Player auf KI-Lösungen, die präzise Prognosen ermöglichen und zum Beispiel Bestände oder Preise optimieren. Doch viele Entscheidungsträger glauben noch nicht daran, dass KI in den Lieferketten der Zukunft eine tragende Rolle spielen wird. Der Grund hierfür liegt in einer falschen Sicht auf die Wissenschaft.

Bild: ©Stock57/stock.adobe.com
Bild: ©Stock57/stock.adobe.com
KI-Verfahren für die Produktion

KI-Verfahren für die Produktion

Mathematiker der Hochschule Darmstadt (h_da) entwickeln gemeinsam mit dem Hanauer Simulationsdienstleister und Softwareunternehmen SimPlan und dem Automationsexperten Fibro Läpple Technology neue KI-Technologien. Im Rahmen des Loewe-Projekts ‚KISPo‘ will das Konsortium eine autonome, selbstlernende Steuerungssoftware für Produktionsanlagen entwickeln, wie sie z.B. bei der Herstellung von Komponenten für Windräder oder Elektromotoren zum Einsatz kommen. Es wäre die erste KI-Software dieser Art. Damit würde eine von Industrieverbänden und Forschung lange bemängelte Technologielücke geschlossen. Das Land Hessen fördert das Projekt für zwei Jahre mit 320.000 Euro. Konsortialführerin ist die Hochschule Darmstadt.

Bild: ©NicoElNino/stock.adobe.com
Bild: ©NicoElNino/stock.adobe.com
Chancen und Herausforderungen von Machine Learning in der Fertigung

Chancen und Herausforderungen von Machine Learning in der Fertigung

Automatisierung, künstliche Intelligenz (KI), Internet of Things (IoT) und Machine Learning (ML) sind heutzutage bekannte Technologien und kommen bereits in vielen Unternehmen zum Einsatz. Mit Hilfe von Machine Learning wird es IT-Systemen ermöglicht, Muster und Zusammenhänge aus Daten zu lernen und sich selbst zu verbessern. Dabei ist keine explizite Programmierung notwendig. Die Bearbeitung von Kundenanfragen, die Erkennung möglicher Störfälle sowie unerwarteter Ereignisse wie z.B. Cyberangriffe sind klassische Anwendungsfelder von ML. Aber auch die Unterstützung bei einer rein datengestützten Entscheidungsfindung und die Interpretation großer Datenmengen gehören dazu.

Bild: ©Shuo/stock.adobe.com
Bild: ©Shuo/stock.adobe.com
Sensoren lernen das Denken

Sensoren lernen das Denken

Im Fraunhofer-Leitprojekt NeurOSmart forscht das Fraunhofer IPMS zusammen mit vier weiteren Instituten (ISIT, IMS, IWU, IAIS) unter Leitung des Fraunhofer ISIT gemeinsam an energieeffizienten und intelligenten Sensoren für die nächste Generation autonomer Systeme. Dabei sollen die Brücken zwischen Wahrnehmung und Informationsverarbeitung durch innovative Elektronik neu definiert werden.

Bild: ©ipopba/stock.adobe.com
Bild: ©ipopba/stock.adobe.com
Wie KI 2022 praktikabel wird

Wie KI 2022 praktikabel wird

Künstliche Intelligenz war bereits in der Vergangenheit in aller Munde, schaffte es aber doch oft nicht bis in die Anwendung. Das wird sich 2022 ändern – auch weil sich langsam Standards etablieren und sich neue, konkrete Einsatzmöglichkeiten ergeben. In welchen Bereichen Business-Implementierungen zu erwarten sind, erläutert Bernhard Niedermayer, Head of AI bei Cloudflight.