Die KI alleine kann’s nicht richten

Im Zusammengang mit Smart-Robotik ist oft von der Demokratisierung der Robotik die Rede. Hinter diesem Schlagwort steht die Erwartung, dass Robotertechnik durch künstliche Intelligenz für ein breiteres Spektrum von Anwendern und Unternehmen zugänglich wird. Das ist möglich, weil durch KI weniger Spezialwissen für den Einsatz von Robotern erforderlich ist. Das ist mehr als nur ein Hype, denn KI kann Robotik in der Tat erheblich vereinfachen.

Weniger Spezialwissen erforderlich

Klassischerweise werden beim Einsatz von Robotern regelbasierte Systeme genutzt, die umfassend programmiert werden müssen. Wenn Unternehmen z.B. Machine Vision für Roboter, die Objekte greifen sollen, implementieren, müssen sie die Software für die Steuerung der Roboter erst aufwändig parametrisieren. Mit oft Hunderten von Werten und Einstellungen muss sie für die spezifischen Aufgaben und Umgebungen der Roboter konfiguriert werden.

Dieser Prozess ist nicht nur äußerst aufwändig und langwierig, sondern erfordert auch umfangreiches Knowhow, das die allermeisten Unternehmen nicht besitzen. Darüber hinaus ist klassische parametrisierte Software schwer anzupassen. Ändern sich Anforderungen oder Bedingungen, muss die Software entsprechend umkonfiguriert werden. Ein häufig auftretender Fall ist etwa, dass ein Machine-Vision-System im Sommer bei optimalen Lichtverhältnissen eingestellt wird und die Roboter dann im Herbst, wenn sich die Verhältnisse verschlechtern, nicht mehr in der Lage sind, die Objekte zu greifen.

Moderne KI kann diese Probleme durch implizites und zirkuläres Lernen beseitigen. Neuronale Netze lassen sich mit synthetischen Daten, die aus CAD-Modellen gewonnen werden, darauf trainieren, die Objekte, die künftig von Robotern gegriffen werden sollen, zu erkennen und zu unterscheiden. Was klassischerweise parametrisiert werden muss, kann sich fortschrittliche KI also automatisiert selbst aneignen. Darüber hinaus lassen sich die neuronalen Netze im laufenden Betrieb mit realen Daten kontinuierlich weitertrainieren. Dadurch steigt die Erkennungsrate im Lauf der Zeit weiter, die Netze passen sich automatisch an veränderte Umgebungsbedingungen an und gewährleisten damit eine höhere Prozesssicherheit.

Die KI braucht den richtigen Unterbau

Mit der reinen Algorithmik alleine ist es aber nicht getan. KI kann ihre Kraft nur mit dem richtigen Unterbau entfalten. Die smarten Algorithmen benötigen skalierbare und sichere IT-Infrastruktur. Eine wesentliche Anforderung an die Infrastruktur ist eine hohe Rechenleistung am Edge. Der Produktivbetrieb der neuronalen Netze kann nicht in der Cloud oder einem zentralen Rechenzentrum erfolgen, sondern muss vor Ort ausgeführt werden. Die Verzögerungen durch die Übertragung der Daten und die Rückmeldung der Ergebnisse wären zu groß und das Risiko von Ausfällen durch instabile Internetverbindungen zu hoch.

Eine weitere entscheidende Eigenschaft der Infrastruktur ist die Vernetzung. Im Gegensatz zum Produktivbetrieb kann das initiale Training und das Weitertrainieren der neuronalen Netze nicht am Edge erfolgen, weil dafür vor Ort gegebenenfalls nicht genug Rechenleistung bereitgestellt werden kann. Deshalb ist eine Vernetzung erforderlich, die es ermöglicht, die KI-Software auf verschiedene Ressourcen zu verteilen: den Produktivbetrieb an IT-Systeme am Edge und das Training an eine Public Cloud oder Private Cloud. Neben einer Kostenbetrachtung hängt die Entscheidung zwischen Public und Private Cloud insbesondere von den Vertraulichkeitsanforderungen der Endanwender ab. Immerhin stammen die Daten für das (Weiter-)Trainieren der KI-Modelle direkt aus der Produktion und lassen Rückschlüsse auf die momentane Auslastung, CAD-Modelle der Produkte oder Ausschussrate zu.

Idealerweise ist die KI-Software außerdem in eine modulare Architektur eingebunden. In anderen Branchen wie dem E-Commerce haben sich Unternehmen längst von den klassischen monolithischen Systemen verabschiedet und integrieren stattdessen einzelne Services mit offenen Schnittstellen. Dieser Ansatz ermöglicht es ihnen, die für ihre individuellen Anforderungen jeweils besten Komponenten auszuwählen und zu einer passenden Gesamtlösung zusammenzufügen. Auch der Fertigungsbranche stehen inzwischen umfassende offene Ökosysteme aus Speziallösungen zur Verfügung, um diesen Ansatz zu verfolgen.

Bin-Picking-Anlage als Fallbeispiel

Ein anschauliches Beispiel für eine solche Infrastruktur liefert eine neue Bin-Picking-Anlage, die vom Integrator Mairotec realisiert wurde. In dieser Anlage greifen Roboterarme verschiedenartige Teile aus einem Behälter heraus und stellen die jeweils gleichartigen Teile an dem dafür vorbestimmten Ort ab. Dazu analysiert eine Machine-Vision-Software die Aufnahmen einer Kamera und steuert die Griffe der Roboterarme.

Seiten: 1 2