Die SVH 5-Fingerhand kann bereits beliebige Objekte in beliebiger Lage identifizieren und autonom entsprechende Greifstrategien entwickeln und anwenden.

Die SVH 5-Fingerhand kann bereits beliebige Objekte in beliebiger Lage identifizieren und autonom entsprechende Greifstrategien entwickeln und anwenden. Schunk

Bislang ist das industrielle Greifen vergleichsweise starr gestaltet: Die Geometrie der Teile muss bekannt sein, ebenso die genaue Aufnahme- und Ablageposition. Auf Basis wiederholgenauer Teilezuführungen kann über fest vorgegebene Verfahrwege und die Vorgabe von Zielpunkt-Koordinaten ein prozesssicherer Handhabungsprozess gewährleistet werden. Im Zuge der Digitalisierung geht der Trend nun zu hochautomatisierten, vollständig vernetzten und autonom agierenden Fertigungssystemen.

So gelingt es der SVH 5-Fingerhand von Schunk bereits heute mithilfe von Künstlicher Intelligenz, beliebige Objekte in beliebiger Lage zu identifizieren und autonom entsprechende Greifstrategien zu entwickeln und anzuwenden. In Verbindung mit Kameras sind bereits erste Anwendungen kognitiver Intelligenz im Greiferumfeld möglich, die ein intuitives Trainieren durch Werker und eine selbstständige Erledigung der Greifaufgaben durch den Roboter ermöglichen. Dabei setzt der Robotik-Hersteller auf eine industrienahe Gestaltung der Handhabungsprozesse, indem er die Zahl der Bauteil-Variationen begrenzt. Dadurch wird der Klassifikations- und Trainingsprozess verschlankt.  In einem ersten Use Case, der Ansätze des Machine Learning zur Werkstück- und Greifprozess-Klassifikation nutzt, werden exemplarisch steckbare Bauklötze beliebig kombiniert und einem Leichtbau-Roboter in beliebiger Anordnung auf einer Arbeitsfläche zum Abtransport vorgelegt. Im Zusammenspiel mit 2D- oder 3D- Kameras kommt es bei dem selbstlernenden System nach wenigen Lernzyklen zu einem rasanten Anstieg der Zugriffssicherheit: Mit jedem Griff lernt der Greifer (Algorithmus), wie das Werkstück erfolgreich aufgenommen und transportiert werden kann.

Lernen durch fortlaufende Optimierung

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 verfeinern.