Mobiler Roboter für die ortsunabhängige Kommissionierung
MASON hat die große Lücke zwischen hochautomatisierten Distributionszentren und dem immer noch weitgehend manuellen Prozess der Beladung von Seecontainern geschlossen. Um diese Herausforderung zu meistern, wurde ein intelligentes System für die automatisierte, palettenlose Beladung von Kartons in Containern entwickelt, wobei der Schwerpunkt auf der präzisen Platzierung in der Nähe der Containerkanten liegt. Die Lösung umfasst eine robuste Computer Vision zur Erkennung von Kartons, eine spezielle Greifertechnologie, eine kollisionsfreie und zeitoptimierte Bahnplanung sowie ein lernbasiertes Einsetzen von Kartons in enge Bereiche, unterstützt durch eine modulare IoT-Kommunikationsarchitektur für eine zuverlässige Systemkoordination. Aufbauend auf Fortschritten in der Robotik, der Computer Vision und der TSN-Kommunikation wurde eine modulare Systemarchitektur entwickelt, die Kartons erkennt, greift und innerhalb enger Toleranzen positioniert. Ein mobiler Manipulationsroboter wurde als Demonstrationssystem implementiert, das mehrere wesentliche Komponenten kombiniert, die jeweils zum wissenschaftlichen und technischen Fortschritt sowie zur industriellen Anwendbarkeit beitragen.
Beschreibung des Projekts
In der globalen Frachtlogistik sind standardisierte Seecontainer das Haupttransportmittel für Stückgut, einschließlich Lebensmitteln. Diese Container werden in der Regel manuell beladen, indem die einzelnen Pakete ohne Paletten direkt gestapelt werden. Diese Methode macht zwar zusätzliche Ladungssicherungsmaterialien wie Umreifungsbänder oder Verpackungsfolien überflüssig und senkt so die Kosten und reduziert den PVC-Abfall, ist aber vollständig auf menschliche Arbeitskraft angewiesen, um die Waren dicht zu verpacken. Die Herausforderung liegt in der Komplexität und den physischen Anforderungen dieses manuellen Prozesses. Die Arbeiter müssen die Pakete mit Methoden wie Pressen, Verkeilen und Zusammendrücken präzise an die Containerwände anpassen - Techniken, die sich mit den derzeitigen Robotersystemen nur schwer reproduzieren lassen. Diese arbeitsintensive Methode steht in krassem Gegensatz zu dem hohen Automatisierungsgrad, der in modernen Distributionszentren bereits vorhanden ist.
Trotz des rasanten Fortschritts der Industrie 4.0-Technologien gibt es derzeit keine Roboterlösung, die diese Aufgabe mit der erforderlichen Geschwindigkeit, Präzision und Zuverlässigkeit ausführen kann. Mehrere zentrale Herausforderungen verhindern eine Automatisierung, wie z. B. der begrenzte Arbeitsraum in Containern, unregelmäßige Paketformen und unvorhersehbare Ladekonfigurationen.
Außerdem sind die Mitarbeiter in diesem Sektor mit schwierigen Arbeitsbedingungen konfrontiert, insbesondere in den für die Lebensmittellogistik typischen Kühlräumen. Dies führt zu einer hohen körperlichen Belastung, erhöhter Personalfluktuation und erhöhten Fehlzeiten - alles Faktoren, die die Betriebskosten erhöhen und die Produktivität beeinträchtigen. Das Fehlen eines Robotersystems, das diese Aufgaben übernehmen kann, war ein kritischer Engpass für Logistikunternehmen, insbesondere für KMU in Hochlohnregionen wie Deutschland, die auf dem globalen Markt wettbewerbsfähig bleiben müssen, ohne die Arbeitskosten zu erhöhen.
Projektschwerpunkt
Um diese Herausforderungen zu bewältigen, wurde in diesem Projekt ein vollautomatischer Ansatz für die Containerbeladung entwickelt, bei dem modernste Robotik- und Computer-Vision-Technologien zum Einsatz kommen. Die Kerninnovation liegt in einer neuen Systemarchitektur, die es den Robotern ermöglicht,:
- Form, Größe und Ausrichtung jedes Pakets mithilfe einer KI-gesteuerten visuellen Analyse zu erkennen.
- Pakete in engen Umgebungen präzise greifen und anheben können.
- Pakete präzise zu positionieren, um die Raumnutzung zu maximieren und eine stabile Stapelung zu gewährleisten.
-
Dynamische Anpassung an sich ändernde Packstückkonfigurationen und Behälterbedingungen in Echtzeit.
Durch die Integration fortschrittlicher Algorithmen und Robotersteuerungsmethoden kann das System komplexe Ladeszenarien mit einem hohen Maß an Zuverlässigkeit und Geschwindigkeit bewältigen. Das Ergebnis ist ein Prozess, der die manuelle Arbeit erheblich reduziert, das Verletzungsrisiko minimiert und den Durchsatz erhöht, da die Container schneller und effizienter beladen werden als mit herkömmlichen manuellen Methoden.
Dieses Projekt zielt darauf ab, die Automatisierung des Beladens von Lebensmittelbehältern zu verbessern, eine Aufgabe, die lange Zeit als zu komplex für Robotersysteme galt, da sie unstrukturiert ist. Durch die innovative Kombination von künstlicher Intelligenz, Robotik und adaptiver Steuerung bietet die entwickelte Lösung einen Weg zur Umgestaltung logistischer Abläufe und macht sie schneller, effizienter und nachhaltiger.
Alles auf einen Blick
-
Laufzeit:
01.04.2022 - 31.03.2025 -
Forschungsgebiet:
Robotik, Computer Vision, TSN Kommunikation. -
Finanzierung:
Bundesministerium für Wirtschaft und Klimapolitik (BMWK) aufgrund eines Beschlusses des Deutschen Bundestages.
Projektmethodik
WP1 - Analyse der Anforderungen:
WP1 konzentrierte sich auf die Definition des Systems und der logistischen Anforderungen durch Workshops und Experteninterviews. Produktklassen, Umgebungsbedingungen und logistische Schlüsselparameter wie Kommissionierzeiten, Lagerfrequenz und Personaleinsatz wurden analysiert, um Benchmarks für die spätere Validierung zu setzen. Gemeinsam mit den Projektpartnern wurden Datenmanagementkonzepte und ein Validierungsszenario entwickelt und alle Erkenntnisse in einem Anforderungskatalog und Pflichtenheft zusammengefasst.
WP2 - Planung des Handhabungsroboters:
WP2 konzentrierte sich auf den detaillierten Entwurf und die produktionsorientierte Planung des Handhabungsrobotersystems, bestehend aus dem Manipulator, dem Greifer und den optischen Komponenten. Basierend auf den Anforderungen wurden verschiedene Greiferlösungen evaluiert und ausgewählt, vorzugsweise unter Verwendung verfügbarer Marktsysteme. Das Projekt nutzte die mobile Plattform TORsten und den Manipulator UR10, um eine schnelle Integration zu ermöglichen, wobei das Gesamtsystem zunächst für die wissenschaftliche Validierung verkleinert wurde. Für den optischen Aufbau wurden Kompatibilität und Positionierung von Kameras und Beleuchtung bewertet, um spätere Arbeitspakete zu unterstützen. WP2 schloss mit der Entwicklung eines Teststands ab, der alle Komponenten als Grundlage für nachfolgende Projektphasen integriert.
WP3 - Kommunikation und IoT:
WP3 konzentrierte sich auf die Entwicklung und Evaluierung einer Kommunikationsarchitektur, die auf Time-Sensitive Networking (TSN) basiert, um eine deterministische Kommunikation in drahtlosen Netzwerken zu ermöglichen. Ziel war es, einen stabilen Datenaustausch zwischen mobilen Robotern, Sensoren und Lagerverwaltungssystemen zu gewährleisten, indem wichtige Anforderungen wie Latenzzeit, Zuverlässigkeit, Interoperabilität und Skalierbarkeit berücksichtigt wurden. Diese Arbeit war entscheidend für die Unterstützung zeitkritischer Lagerszenarien, einschließlich der Übertragung von Steuerbefehlen, Sensordaten und Bildinformationen, über inhärent unvorhersehbare drahtlose Kanäle.
WP4 - Sensorfusion und Computer Vision:
WP4 konzentrierte sich auf die Entwicklung eines Systems zur Objekterkennung und -klassifizierung in Lagerumgebungen unter Verwendung von Tiefenkameratechnologie. Im Gegensatz zu herkömmlichen 2D-Kameras erfassen Tiefenkameras 3D-Daten wie räumliche Positionierung, Tiefe und Volumen, was eine präzisere Erkennung in komplexen oder dynamischen Umgebungen ermöglicht. Durch die Anwendung fortschrittlicher Computer-Vision- und maschineller Lerntechniken, einschließlich CNN-basierter Algorithmen wie YOLO und SSD, erreicht das System eine effiziente und zuverlässige Erkennung von Objekten wie Kartons und Kisten in Echtzeit, selbst bei Abweichungen in Größe, Form oder Ausrichtung. Diese Technologie verbessert die Lagerautomatisierung erheblich, indem sie die Verfolgung, Sortierung und Organisation verbessert und so die Effizienz erhöht und menschliche Fehler reduziert.
WP5 - Erstellung von Trajektorien für Presspassungen:
WP5 konzentrierte sich auf die Entwicklung von Strategien zur Bewegungserzeugung für den Robotermanipulator zum Einsetzen von Kartons mit Einpressen. Die Arbeit umfasste Methoden zur Trajektorienoptimierung sowie die Erforschung neuer Bewegungsmuster, die auf Einpressvorgänge zugeschnitten sind. Das Paket schloss mit der iterativen Erprobung und Optimierung dieser Ansätze unter Verwendung von am IfU entwickelten Versuchsaufbauten, um ihre praktische Validierung und Verfeinerung zu gewährleisten.
WP6 - Systemintegration und Validierung:
WP6 konzentrierte sich darauf, die im Projekt entwickelten Komponenten in ein Gesamtsystem zu integrieren und sie unter realistischen Bedingungen innerhalb des definierten Validierungsszenarios zu testen. Ziel war es, die technische Gesamtfunktionalität der Teilsysteme - einschließlich Objekterkennung, Positionsschätzung, Flugbahnplanung sowie Greif- und Einsetzprozess - zu bewerten und ihre Leistungsfähigkeit in einer praktischen, realen Umgebung sicherzustellen.
