{"id":13695,"date":"2020-01-30T14:09:28","date_gmt":"2020-01-30T12:09:28","guid":{"rendered":"https:\/\/www.microsoft.com\/de-de\/industry\/blog\/?p=13695"},"modified":"2020-01-30T15:40:35","modified_gmt":"2020-01-30T13:40:35","slug":"moderne-robotik-entwicklungsgeschichte-ausblick","status":"publish","type":"post","link":"https:\/\/www.microsoft.com\/de-de\/industry\/blog\/manufacturing\/2020\/01\/30\/moderne-robotik-entwicklungsgeschichte-ausblick\/","title":{"rendered":"Moderne Robotik: Eine kurze Entwicklungsgeschichte \u2013 und ein Ausblick"},"content":{"rendered":"

Moderne Robotik pr\u00e4gt die Fabrik der Zukunft \u2013 Gehen Sie mit uns auf Zeitreise!<\/h2>\n

Der erste Industrieroboter, der in einer Produktionslinie zum Einsatz kam, h\u00f6rte auf den Namen Unimate: Ab 1961 wurde dieser bei General Motors f\u00fcr das Entnehmen und Vereinzeln von Spritzgussteilen verwendet. Seither sind Roboter aus der Fertigungsindustrie nicht mehr wegzudenken: Sie \u00fcbernehmen Aufgaben wie Schwei\u00dfen, Montieren und Lackieren \u2013 und werden immer leistungsf\u00e4higer und komplexer.<\/p>\n

In ihrer ersten Generation waren Roboter noch unflexible Systeme, die nicht auf Fehler reagieren konnten und f\u00fcr ihre spezifischen Aufgaben eine individuelle Programmierung erforderten. Diese Roboter wurden durch Logik gesteuert \u2013 eine Reihe von Programmen, die in ihre Betriebssysteme hineincodiert wurden.<\/p>\n

Die heutigen Industrieroboter spielen in einer g\u00e4nzlich anderen Liga: Sie verf\u00fcgen \u00fcber zahlreiche Sensoren, werden mithilfe k\u00fcnstlicher Intelligenz gesteuert und agieren anhand von Erfahrungen und nicht aufgrund per Logik programmierter Vorgaben. Sie sind \u2013 mit einem Wort \u2013 lernf\u00e4hig. Und damit ergibt sich in der Fertigung ein neues Niveau an Arbeitserleichterung und Effektivit\u00e4t.<\/p>\n

\"Industrieroboter<\/a>

Industrieroboter pr\u00e4gen die Fabrik der Zukunft<\/p><\/div>\n

Wenn aus Daten Erfahrungen werden<\/h2>\n

Industrieroboter k\u00f6nnen eine extrem hohe Pr\u00e4zision und Geschwindigkeit erzielen. Gerade im Hinblick auf die Sicherheit erfordern sie deshalb eine sorgf\u00e4ltige Programmierung. W\u00e4hrend es f\u00fcr einen Menschen die nat\u00fcrlichste Sache der Welt ist, einen Gegenstand zu ergreifen und damit zu interagieren, m\u00fcssen derartig \u201aeinfache\u2018 Funktionen einem Roboter erst per Software beigebracht werden. Das Konzept dahinter ist datengetrieben: Wir Menschen k\u00f6nnen Informationen aus unserer Umgebung visuell verarbeiten und dann physisch reagieren \u2013 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 \u00e4hnliche Routineaufgaben Zugriff auf riesige Datenmengen dar\u00fcber, wie Objekte voneinander unterschieden werden und wie am besten mit ihnen umgegangen werden kann. Diese Daten m\u00fcssen gesammelt, gespeichert, ausgewertet und verarbeitet werden.<\/p>\n

Mit modernen Deep-Learning-Methoden, die durch High Performance Computing (HPC) unterst\u00fctzt werden, wird es nun m\u00f6glich, dass Roboter ihre eigenen Erfahrungsdaten generieren und sie bei der Ausf\u00fchrung von Aufgaben ber\u00fccksichtigen.<\/p>\n

Roboter auf die Schulbank<\/h2>\n

Eine Technik namens Reinforcement Learning erm\u00f6glicht 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 w\u00e4hrenddessen 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 zuk\u00fcnftige Aktionen speisen. Dieser Deep-Learning-Ansatz erm\u00f6glicht es Robotern, Muster zu erkennen und als Reaktion neue Ma\u00dfnahmen auszuf\u00fchren.<\/p>\n

Das Reinforcement Learning spart somit viel Zeit, da es nicht mehr notwendig ist, jede Aktion von einem menschlichen Experten programmieren zu lassen. Stattdessen k\u00f6nnen Ingenieure beispielsweise dem Roboter eine Aufgabe zuweisen, wie Teile aus einer Box auszuw\u00e4hlen und nach einem bestimmten System in andere Boxen zu legen. Der Roboter kann diese Aufgabe praktisch \u00fcber Nacht allein \u201aerlernen\u2018 und ab dem n\u00e4chsten 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 vollst\u00e4ndig von den Robotern selbst ausgef\u00fchrt, die, wenn sie ein Objekt beim ersten Mal nicht erfolgreich ergreifen k\u00f6nnen, dessen Bild und seine Tiefendaten als Fehler behalten und ihren Algorithmus anhand der erfassten Daten aktualisieren.<\/p>\n

Per Deep Learning k\u00f6nnen Roboter auch reale Bedingungen simulieren, bevor sie im Produktivbetrieb eingesetzt werden. Mithilfe dieser Technologien k\u00f6nnen Entwickler umfassende Testszenarien einrichten und innerhalb weniger Minuten als Simulation ausf\u00fchren, bevor sie die Informationen schlie\u00dflich an reale Roboter \u00fcbertragen.<\/p>\n

Technologie f\u00fcr die Robotik der Zukunft<\/h2>\n

Reinforcement Learning bietet nicht nur den Vorteil einer erheblich verk\u00fcrzten 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, w\u00e4hrend sie zusammenarbeiten. Das Tempo steigt proportional zur Anzahl der eingebundenen Roboter. Zum Beispiel k\u00f6nnen acht Roboter innerhalb einer Stunde das lernen, was ein einzelner Roboter sich sonst selbst in acht Stunden aneignen w\u00fcrde. Diese Form des verteilten Lernens, manchmal auch als \u201aCloud Robotics\u2018 bezeichnet, entwickelt sich sowohl in der Forschung als auch in der Industrie zu einem gro\u00dfen Trend und ist einer der Schl\u00fcssel zur Factory of the Future.<\/p>\n

Auch traditionellere Robotikmodelle profitieren von den Vorteilen moderner Technologie. Sarcos Robotics, ein f\u00fchrender Anbieter von telegesteuerten Robotern, die f\u00fcr den Einsatz in unvorhersehbaren oder unstrukturierten Umgebungen konzipiert wurden, entwickelt beispielsweise einen mobilen IoT-Roboter f\u00fcr schlecht zug\u00e4ngliche oder gef\u00e4hrliche Settings. Die technologische Cloud-Computing-Plattform daf\u00fcr wird von Microsoft Azure und Microsoft Azure IoT bereitgestellt, um die sichere Speicherung von Video-, Audio- und Sensordaten aus den Umgebungen zu erm\u00f6glichen. Mithilfe der Kombination aus IoT-Sensoren und Microsoft Azure-Diensten k\u00f6nnen diese Roboter die Performance der verschiedenen Industrieanlagen, in denen sie eingesetzt werden, besser bewerten und zugleich anhand der Clouddaten erforderliche Wartungsaufgaben besser antizipieren.<\/p>\n

Jetzt mit Robotern die Fabrik der Zukunft gestalten<\/h2>\n

Deep Learning und per IoT vernetzte Ger\u00e4te werden durch die Cloud unterst\u00fctzt und ebnen so den Weg zu einer neuen Generation der modernen Robotik in der Factory of the Future. Leistungsstarke Microsoft-Technologien bieten Herstellern die M\u00f6glichkeit, schon heute sicher und kosteng\u00fcnstig auf derartige zukunftsorientierte L\u00f6sungen zu setzen und so ihre Fertigungsprozesse nachhaltig zu optimieren.<\/p>\n

 <\/p>\n