Autonomes Handling
In einem ersten Use Case, der Ansätze des Machine Learning zur Werkstück- und Greifprozessklassifikation nutzt, werden exemplarisch steckbare Bauklötze beliebig kombiniert und einem Leichtbauroboter in beliebiger Anordnung auf einer Arbeitsfläche zum Abtransport vorgelegt. Bereits nach wenigen Durchläufen steigt die Zugriffssicherheit rasant. Bis auf wenige Ausnahmesituationen kann sich der Roboter bei der Ermittlung der passenden Greifposition und Anfahrtsrichtung auf die Live-Daten einer 2D-Kamera und die selbstlernenden Fähigkeiten des Greifsystems stützen. Um die Bilddaten der über dem Arbeitsraum angebrachten Standardfarbkamera zu analysieren, nutzt Schunk ein neuronales Netzwerk, das die Bildpunktinformationen über mehrere Stufen separiert, nach Merkmalen bewertet und darauf basierend gewichtete Klassifizierungen beim maschinellen Lernen vornimmt. Dabei wird die Variationsbandbreite der Werkstückgeometrien und Kombinationsmöglichkeiten beschränkt, was der Realität in einem automatisierten Fertigungsprozess entspricht. Auf diese Weise sinkt die Zahl der Werkstücke, Werkstückpositionen und -kombinationen. Bekannte Geometrien und daraus abgeleitete Werkstück- und Greiflagen werden erheblich schneller erkannt. Schon nach wenigen Trainingsrunden klassifiziert das Netz, wie mit dem Wertevorrat an Werkstücken und den sich daraus ergebenden Kombinationsmöglichkeiten umzugehen ist. Hierbei verlässt sich der Greifer auf gelernte Erfahrungswerte, wie das Werkstück aufzunehmen und zu transportieren ist. Die intelligente Leistung des Algorithmus besteht darin, dass bereits nach kurzer Trainingszeit zukünftige Kombinationen und Anordnungen der Werkstücke selbstständig klassifiziert werden können. So ist das System in der Lage, Teile situationsgerecht und eigenständig zu handhaben. Indem die Algorithmen fortlaufend unter Nutzung von KI-Methoden angepasst werden, ist es möglich, bislang unerkannte Zusammenhänge zu erschließen und den Handhabungsprozess weiter zu verbessern.