Wie intelligent sind Transportroboter bereits?

Schwarmintelligente Transportroboter mit Teamgeist, die sich wie eine Fußballmannschaft verhalten, sich untereinander mit Blick auf zu treffende Entscheidungen abstimmen und koordinieren, sind längst keine Science Fiction mehr. Heutige Transportroboter können bereits komplexe Aufgaben wie, die Bereitstellung von Material an Maschinen und Arbeitsplätzen innerhalb eines Flottenverbundes, gemeinsam lösen. Der Systemverbund verfügt über eine kollektive sowie kooperative Intelligenz, die man gemeinhin als Schwarmintelligenz bezeichnet.

Bild: InSystems Automation GmbH

Transportroboter sind heute bereits insofern schwarmintelligent, als sie Transportaufträge innerhalb ihrer Flotte flexibel erledigen, autonom in einer komplexen, sich verändernden Umgebung navigieren und plötzlich auftretende Hindernisse erkennen und vermeiden können. Sie erledigen selbständig die an sie gestellten Aufgaben und werden von einem zentralen Flottenmanagementsystem disponiert und überwacht. Kommende Modelle werden über einen wesentlich höheren Grad kollektiver sowie kooperativer Intelligenz verfügen. Egal ob Kisten, Paletten oder Fässer, künftige Transportroboter entscheiden untereinander ohne ein zentrales Softwaremanagement, welches Fahrzeug einen Transportauftrag übernehmen soll. Maßgeblich hierfür werden verschiedene Leistungsindikatoren (KPIs) wie der Batterie- und Wartungszustand, Fahrtroute und -zeit, aber auch die individuellen Fähigkeiten eines jeden Roboters sein. Auf der anderen Seite verbessert sich die Flotte nach sogenannten Systemgruppenzielen oder globalen Zielen. Diese können etwa lauten, dass Transportaufträge so schnell wie möglich oder aber mit so wenig Verschleiß wie möglich abgearbeitet werden sollen. Die kollektive Intelligenz besteht nun darin, dass die Flotte Strategien entwickelt, wie sie die ihr gestellten Ziele idealerweise erreichen kann, ohne dabei die eigenen individuellen Ziele (z.B. Füllstand der Batterie darf nicht unter 20% fallen) zu missachten. Eine große Herausforderung und notwendiger Bestandteil solcher dezentral organisierten Verbünde ist die Selbstkontrolle des Schwarms durch Verwendung geeigneter Monitoring-Methoden, ob die vorgegebenen Ziele eingehalten werden konnten, um eventuell Strategieanpassungen vorzunehmen.

KI-Methoden bei kollaborativen Systemverbünden

In einem weiteren Entwicklungsschritt ist davon auszugehen, dass Methoden der künstlichen Intelligenz immer wichtiger werden. Kollaborative Systemverbünde werden Muster erfassen können, die es ihnen erlauben, auf Schwankungen im intralogistischen Materialprozess zu reagieren. Fallen innerhalb bestimmter Zeiten (z.B. beim Schichtwechsel) mehr Transporte an einer Maschine an, werden Transportroboter von der Flotte vorausschauend an den Hotspots positioniert und bereitgehalten. Durch diese Art des Flottenmanagements können die vorhandenen Transportkapazitäten effizienter genutzt werden. Geplant ist außerdem die Verbesserung einzelner individueller Fähigkeiten wie das Docking an einer Ladestation oder das vorausschauende Erkennen von Wartungs- und Reparaturarbeiten.

Fazit

Heutige Transportroboter agieren bereits schwarmintelligent und können komplexe Transportaufträge in einem Verbund lösen. Sie verfügen über kollektive bzw. kooperative Intelligenz. Durch den Einsatz neuer Technologien und Methoden, vor allem im Bereich der KI, ist mit einem entscheidenden Innovationssprung bei der Performance von Transportrobotern in den nächsten Jahren zu rechnen. Das Ziel ist es, die Dynamik von intralogistischen Materialprozessen mit selbstlernenden, sich selbst optimierenden Verbundsystemen zu kontrollieren.

InSystems Automation GmbH
www.insystems.de

Das könnte Sie auch Interessieren

Anzeige

Anzeige

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.

Anzeige

Anzeige

Anzeige