Moderne Robotik: Eine kurze Entwicklungsgeschichte – und ein Ausblick
Moderne Robotik prägt die Fabrik der Zukunft – Gehen Sie mit uns auf Zeitreise!
Der erste Industrieroboter, der in einer Produktionslinie zum Einsatz kam, hörte auf den Namen Unimate: Ab 1961 wurde dieser bei General Motors für das Entnehmen und Vereinzeln von Spritzgussteilen verwendet. Seither sind Roboter aus der Fertigungsindustrie nicht mehr wegzudenken: Sie übernehmen Aufgaben wie Schweißen, Montieren und Lackieren – und werden immer leistungsfähiger und komplexer.
In ihrer ersten Generation waren Roboter noch unflexible Systeme, die nicht auf Fehler reagieren konnten und für ihre spezifischen Aufgaben eine individuelle Programmierung erforderten. Diese Roboter wurden durch Logik gesteuert – eine Reihe von Programmen, die in ihre Betriebssysteme hineincodiert wurden.
Die heutigen Industrieroboter spielen in einer gänzlich anderen Liga: Sie verfügen über zahlreiche Sensoren, werden mithilfe künstlicher Intelligenz gesteuert und agieren anhand von Erfahrungen und nicht aufgrund per Logik programmierter Vorgaben. Sie sind – mit einem Wort – lernfähig. Und damit ergibt sich in der Fertigung ein neues Niveau an Arbeitserleichterung und Effektivität.
Industrieroboter prägen die Fabrik der Zukunft
Wenn aus Daten Erfahrungen werden
Industrieroboter können eine extrem hohe Präzision und Geschwindigkeit erzielen. Gerade im Hinblick auf die Sicherheit erfordern sie deshalb eine sorgfältige Programmierung. Während es für einen Menschen die natürlichste Sache der Welt ist, einen Gegenstand zu ergreifen und damit zu interagieren, müssen derartig ‚einfache‘ Funktionen einem Roboter erst per Software beigebracht werden. Das Konzept dahinter ist datengetrieben: Wir Menschen können Informationen aus unserer Umgebung visuell verarbeiten und dann physisch reagieren – und die Fertigkeiten dazu hat jeder von uns in seiner Kindheit erlernt. In dieser Hinsicht ist die die Kindheit praktisch nichts anderes als ein intensiver Datenerhebungsprozess. Bei Robotern hingegeben erfordern ähnliche Routineaufgaben Zugriff auf riesige Datenmengen darüber, wie Objekte voneinander unterschieden werden und wie am besten mit ihnen umgegangen werden kann. Diese Daten müssen gesammelt, gespeichert, ausgewertet und verarbeitet werden.
Mit modernen Deep-Learning-Methoden, die durch High Performance Computing (HPC) unterstützt werden, wird es nun möglich, dass Roboter ihre eigenen Erfahrungsdaten generieren und sie bei der Ausführung von Aufgaben berücksichtigen.
Roboter auf die Schulbank
Eine Technik namens Reinforcement Learning ermöglicht es kognitiven Robotern, sich selbst auf neue Aufgaben zu schulen und ihr Verhalten im Laufe der Zeit durch Lernen zu verbessern. Ein Beispiel: Ein Roboter versucht, Objekte zu ergreifen, und nutzt währenddessen Videomaterial und Sensordaten, die seine Fortschritte und Ergebnisse erfassen. Bei jedem Erfolg und bei jedem Misserfolg werden Daten aufgezeichnet, die der Roboter verwendet, um ein Deep-Learning-Modell (oder ein neuronales Netz) weiter zu verfeinern, aus dem sich zukünftige Aktionen speisen. Dieser Deep-Learning-Ansatz ermöglicht es Robotern, Muster zu erkennen und als Reaktion neue Maßnahmen auszuführen.
Das Reinforcement Learning spart somit viel Zeit, da es nicht mehr notwendig ist, jede Aktion von einem menschlichen Experten programmieren zu lassen. Stattdessen können Ingenieure beispielsweise dem Roboter eine Aufgabe zuweisen, wie Teile aus einer Box auszuwählen und nach einem bestimmten System in andere Boxen zu legen. Der Roboter kann diese Aufgabe praktisch über Nacht allein ‚erlernen‘ und ab dem nächsten Tag bereits produktiv eingesetzt werden. In der Vergangenheit musste ein derartiger Prozess durch das Abgleichen von Bilddaten mit vorbereiteten CAD-Daten und die Programmierung von Zielpositionen gesteuert werden. Nun wird die Aufgabe vollständig von den Robotern selbst ausgeführt, die, wenn sie ein Objekt beim ersten Mal nicht erfolgreich ergreifen können, dessen Bild und seine Tiefendaten als Fehler behalten und ihren Algorithmus anhand der erfassten Daten aktualisieren.
Per Deep Learning können Roboter auch reale Bedingungen simulieren, bevor sie im Produktivbetrieb eingesetzt werden. Mithilfe dieser Technologien können Entwickler umfassende Testszenarien einrichten und innerhalb weniger Minuten als Simulation ausführen, bevor sie die Informationen schließlich an reale Roboter übertragen.
Technologie für die Robotik der Zukunft
Reinforcement Learning bietet nicht nur den Vorteil einer erheblich verkürzten Trainingszeit, sondern auch der parallelen Verarbeitung durch mehrere miteinander gekoppelte Roboter. So lernt ein Roboter vom anderen. Fanuc, ein japanisches Robotikunternehmen, das Roboter mithilfe neuronaler Netze trainiert, fokussiert sich auf Teams von Robotern und deren kooperative Zusammenarbeit. Anstatt Daten an einem zentralen Ort zu speichern, nutzen diese Roboter Edge-Computing, um ihre Sensordaten zu verarbeiten, während sie zusammenarbeiten. Das Tempo steigt proportional zur Anzahl der eingebundenen Roboter. Zum Beispiel können acht Roboter innerhalb einer Stunde das lernen, was ein einzelner Roboter sich sonst selbst in acht Stunden aneignen würde. Diese Form des verteilten Lernens, manchmal auch als ‚Cloud Robotics‘ bezeichnet, entwickelt sich sowohl in der Forschung als auch in der Industrie zu einem großen Trend und ist einer der Schlüssel zur Factory of the Future.
Auch traditionellere Robotikmodelle profitieren von den Vorteilen moderner Technologie. Sarcos Robotics, ein führender Anbieter von telegesteuerten Robotern, die für den Einsatz in unvorhersehbaren oder unstrukturierten Umgebungen konzipiert wurden, entwickelt beispielsweise einen mobilen IoT-Roboter für schlecht zugängliche oder gefährliche Settings. Die technologische Cloud-Computing-Plattform dafür wird von Microsoft Azure und Microsoft Azure IoT bereitgestellt, um die sichere Speicherung von Video-, Audio- und Sensordaten aus den Umgebungen zu ermöglichen. Mithilfe der Kombination aus IoT-Sensoren und Microsoft Azure-Diensten können diese Roboter die Performance der verschiedenen Industrieanlagen, in denen sie eingesetzt werden, besser bewerten und zugleich anhand der Clouddaten erforderliche Wartungsaufgaben besser antizipieren.
Jetzt mit Robotern die Fabrik der Zukunft gestalten
Deep Learning und per IoT vernetzte Geräte werden durch die Cloud unterstützt und ebnen so den Weg zu einer neuen Generation der modernen Robotik in der Factory of the Future. Leistungsstarke Microsoft-Technologien bieten Herstellern die Möglichkeit, schon heute sicher und kostengünstig auf derartige zukunftsorientierte Lösungen zu setzen und so ihre Fertigungsprozesse nachhaltig zu optimieren.
- Sie möchten mehr über das Potenzial mit High Performance Computing erfahren? Dann besuchen Sie jetzt unsere Webseite zum Thema!
- Aktuelle Trends und Innovationen rund um die Fabrik der Zukunft waren auch Thema beim jüngsten Microsoft Envision Forum: Manufacturing – Industry Day. Sehen Sie sich hier ausgewählte Vorträge des Events On-Demand an.
- Oder sehen Sie sich unsere virtuelle Fertigungskonferenz zum Thema „Fabrik der Zukunft“ on-demand an.
Unser Microsoft Newsletter Manufacturing bringt Ihnen regelmäßig die wichtigsten Neuerungen aus dieser spannenden Branche direkt in Ihr Postfach. Melden Sie sich jetzt hier an und verpassen Sie keine News mehr.
