Die Demokratisierung der Robotik, also die flächendeckende Verfügbarkeit von Robotern für nahezu alle industriellen Unternehmen, ist bisher eine Wunschvorstellung. Denn einige Hürden sind auf dem Weg dahin noch zu nehmen. Aber es gibt bereits vielversprechende Ansätze, vor allem im Bereich künstliche Intelligenz.
Warum ist die Demokratisierung der Robotik wünschenswert? Mit der möglichst geringen Hürde für den Einstieg in die Automatisierung mit Robotern ist die Hoffnung verbunden, dem Fachkräftemangel entgegenzuwirken und Qualität sowie Stabilität der Produktion zu verbessern, ohne auf rare Experten oder enorm hohe Investitionen angewiesen zu sein. Um diese Demokratisierung zu erreichen, gibt es mehrere Möglichkeiten, z.B. Pay-per-Use-Modelle, Easy-to-Use-Konzepte oder die Unterstützung durch künstliche Intelligenz.
Denn in künstlicher Intelligenz, ein wesentlicher Pfeiler des Themas Digitalisierung in der Robotik, steckt einiges Potenzial. KI kann dafür sorgen, dass weniger Spezialwissen für den Einsatz von Robotern nötig ist. Wichtige Stichworte heißen hier implizites und zirkuläres (Closed-Loop-basiertes) Lernen. Beim impliziten Lernen werden keine expliziten Regeln oder Modelle vorgegeben. Das Ziel ist definiert, die Strategie zur Zielerreichung entsteht jedoch datengetrieben aus der Interaktion mit der Umgebung. Zirkulär meint, dass das System seine Handlungsstrategien direkt aus der Interaktion mit der Umgebung ableitet. Es entstehen Feedback-Schleifen aus Wahrnehmung, Aktion und Rückmeldung, die zum Lernerfolg führen, da die durch die Aktion verursachte Veränderung der Umgebung gleich wieder als Beginn des nächsten Lernschritts dient. Das lässt sich nutzen, z.B. um eine aufwendige Parametrisierung von Anlagen in der Automatisierung zu umgehen. Die Parametrisierung verschiebt sich dabei von expliziten Regeln hin zur Definition geeigneter Trainings- und Bewertungsszenarien. Insbesondere bei Bin-Picking-Anlagen, die durch hohe Varianz der Objektlagen, Beleuchtung, Greiferzustände und Störfälle gekennzeichnet sind, müssen ansonsten zahlreiche Heuristiken und Schwellenwerte manuell abgestimmt werden. Hier spart der Einsatz von KI Zeit, Kosten und Knowhow.
Aber noch weitere KI-Themen leisten ihren Beitrag zur Demokratisierung der Robotik. Z.B. kann Simulationssoftware das Engineering von Roboteranlagen stark vereinfachen. Und auch hier kommt KI zum Einsatz. Sie kümmert sich um die automatische Anlagenmodellierung aus CAD-Daten, Scans oder Layoutskizzen und die Parametrisierung von Simulationsmodellen, indem sie aus Referenzanlagen oder Betriebsdaten lernt. Mithilfe von Reinforcement Learning lassen sich Greif-, Ablege- und Montagevorgänge einlernen. Künstliche Intelligenz kann Roboterprogramme automatisch generieren und nicht zuletzt dient die Simulation auch als Trainingsumgebung z.B. für die Ermittlung von geeigneten Greifstrategien bei hoher Produkt- bzw. Lagevarianz. Da sich die KI-Modelle in der Simulation auf verschiedene reale Szenarien vorbereitet haben, wird schließlich auch der Sim-to-Real-Transfer beschleunigt. KI transformiert die Simulationssoftware also gewissermaßen vom reinen Validierungswerkzeug zum aktiven, lernenden Engineering-Assistenten. Automatisierungsanlagen können so in vielen Anwendungsfällen signifikant schneller implementiert und in Betrieb genommen werden. Außerdem lässt sich vorab der Durchsatz optimieren.
Mit der Integration von generativen KI-Modellen, wie Large Language Models (LLMs) und Vision Language Models (VLMs) in Roboteranwendungen lassen sich Roboter in dynamischen Umgebungen anpassungsfähiger und damit unabhängiger von ständiger menschlicher Überwachung gestalten. VLMs erkennen Szenen oder einzelne Objekte und können diese beschreiben und interpretieren. Sie sind weniger stark auf einzelne, fest definierte Aufgaben beschränkt und können Gelerntes auf unbekannte Situationen und Objekte generalisieren. Diese Kontextwahrnehmung ermöglicht eine fundierte Entscheidungsfindung in komplexen Umgebungen. Systeme werden resilienter gegenüber Störungen, indem strukturierte Fehlerreaktionen möglich werden, allerdings ohne dabei sicherheitskritische Regelungs- und Zertifizierungsaufgaben zu ersetzen, die weiterhin durch deterministische, validierte Systeme abgedeckt werden. Das System kann schließlich per LLM gewissermaßen kontextbezogene Rückfragen stellen und erlaubt eine dialogbasierte Fehlerdiagnose, die sich so mithilfe der künstlichen Intelligenz wesentlich schneller und einfacher umsetzen lässt.
Aber auch schlicht und einfach die Verwendung von LLMs zur Kommunikation mit dem Roboter ist eine Option. So lassen sich Klartexteingaben in Programmiercode übersetzen und machen eine „natürliche“ Kommunikation mit dem Roboter möglich. Hier kann also wiederum auf teures Expertenwissen verzichtet werden, wenn auch die generierten Programme weiterhin durch deterministische Systeme validiert werden müssen. Dennoch wird die Roboterprogrammierung so für einen wesentlich größeren Personenkreis umsetzbar.
Nachdem wir uns nun dem Nutzen von KI in Bezug auf die Demokratisierung der Robotik genähert haben, widmen wir uns beim nächsten Mal dem Thema Physical AI und humanoide Robotik. Bleibt also auf jeden Fall dran!
Frauke Itzerott
Frauke Itzerott ist Chefredakteurin des Fachmagazins ROBOTIK UND PRODUKTION beim TeDo Verlag und verantwortet dort die inhaltliche Ausrichtung eines der führenden deutschsprachigen Medien zu industrieller Robotik und Automatisierung.
