ROOKIE - Flexibilisierung von Roboteroperationen in der Montage durch eine Ontologie- und KI-basierte Methodik mit integriertem Expertenwissen

Entgegen den Argumenten für eine Automatisierung von Fertigungsprozessen, wie beispielsweise steigende Lohnkosten und Qualitätsanforderungen, wird in der Praxis in kleinen und mittleren Unternehmen (KMU) vor allem in der Montage meist auf manuelle Prozesse zurückgegriffen. Dies liegt vorrangig an einer häufig hohen Variantenvielfalt, kurzen Produktlebenszyklen sowie geringen Losgrößen. Diese Randbedingungen wirken sich negativ auf eine wirtschaftliche Umsetzung einer Automatisierung aus.

Eine Technologiekombination, welche das Potential hat, dieser Problematik entgegenzuwirken, ist die KI-basierte Robotik. Roboterbasierte Applikationen können dadurch deutlich flexibler, robuster und autonomer implementiert werden. Somit lässt sich eine Automatisierung auch bei geringerer Stückzahl rechtfertigen und die Gefahr von Fehlinvestitionen reduzieren. Um diese Potentiale für KMUs zugänglich zu machen, müssen allerdings noch einige Einstiegshürden überwunden werden.

Eine Herausforderung ist etwa die erforderliche Datenqualität und -quantität, welche gerade bei geringen Stückzahlen häufig schwer zu erreichen ist. Hier sind beispielsweise der Einsatz von synthetischen Datensät-zen, die Anreicherung kleinerer Datensätze durch bekannte Engineering-Informationen oder die Integration von Expertenwissen mögliche Lösungsansätze. Eine weitere Herausforderung ist die Planung und Inbetrieb-nahme eines solchen Systems. Dazu wird in der Regel neben dem Montageplaner ein interdisziplinäres Fach-personal aus den Bereichen Data Science, KI und Robotik benötigt. Diese Kompetenz ist gerade bei KMU in der Regel nicht vor-handen, weshalb Methoden entwickelt werden müssen, welche die Planung und Ein-führung von KI-basierten Montageprozessen autonomer und intuitiver gestalten.

Im Rahmen des beantragten Forschungsvorhabens „ROOKIE“ wird daher eine über-greifende Methodik mit ontologiebasiertem Modellierungsansatz und synthetischer Datenerzeugung entwickelt, welche den Einsatz von KI-basierten Roboteroperationen in der industriellen Montage ermöglicht. Dies soll die Flexibilität, Autonomie und Robustheit der Planung, Inbetriebnahme und Durchführung von roboterbasierten Montageoperationen steigern und somit die KI-basierte Robotik in der Montage für KMU zugänglich machen.

In Abbildung 1 werden die Teilaspekte dieser Methodik aufgezeigt, dessen Entwicklung primär die ganzheit-liche Betrachtung folgender Forschungsschwerpunkte erfordert:
A. Synthetische Datenerzeugung für KI-basierte Roboteroperationen
B. Ontologiebasiertes Framework für KI-basierte Robotersysteme
C. Machine Learning Verfahren in der roboterbasierten Montage

Nachfolgend werden die Forschungsschwerpunkte näher erläutert.

Zielsetzung und Vorgehensweise

Zur Erreichung dieses Ziels wird das Vorhaben in drei Themenschwerpunkte gegliedert (vgl. Abbildung 1). Zunächst müssen Prozesse, Akteure und Ressourcen im Umfeld der Werkstatt modelliert werden. Auf Basis dieses Models kann evaluiert werden, inwieweit einzelne Prozessschritte wirtschaftlich automatisiert werden können. Dies geschieht unter Einbeziehung des Prozesswissens der Werkenden. Durch die Kombination von Cobot und FTS soll die Autonomie und Flexibilität des Gesamtsystems gesteigert werden. Auf Basis der zuvor identifizierten Automatisierungspotenzialen werden dem System durch den Werkenden gezielt Handhabungs- und Transportprozesse erlernt.

Abschließend findet ein dynamisches Scheduling der eingesetzten Ressourcen zur Maximierung des Nutzens statt. Hierbei werden sowohl klassischen als auch KI-basierte Methoden zur Lösung des Optimierungsproblems betrachtet und evaluiert.

A. Synthetische Datenerzeugung für KI-basierte Roboteroperationen

Im Rahmen der umgesetzten Methodik werden vorrangig synthetische Daten für die Trainingsprozesse der KI-Module verwendet, bei dessen Erzeugung Expertenwissen integriert wird, um eine hohe Aussagekraft zu erreichen. Die zugrundeliegenden Argumente werden in diesem Kapitel erläutert. Dennoch sollen ergänzend heterogene Datentypen zum Einsatz kommen. Zunächst sind dabei Lebenszyklusdaten zu nennen, welche explizit in Form von Produkt-, Prozess- und Ressourceninformationen vorliegen. Dabei handelt es sich etwa um 3D-Modelle, die Montagereihenfolge oder Positionsdaten. Um die Industrietauglichkeit und die Aussagekraft dieser Daten für die Prozessplanung, das Training der KI-Module und die Durchführung der Montage zu erhöhen, sollen auch diese Daten durch das Fachwissen von Montage-Expert:innen angereichert, optimiert und kontrolliert werden.

Moderne Deep-Learning-Verfahren benötigen große Mengen an Trainingsdaten. Dies gilt vor allem für komplexe Aufgabenstellungen aus der Robotik oder dem maschinellen Sehen. Das Erstellen großer Datensätze ist allerdings ein hoher Kostenfaktor, da es meist in manuell durch Expert:innen durchgeführt wird. Dies stellt durch mangelnde Fachexpertise und fehlende Kapazität eine Hürde für KMUs dar und verhindert die Realisierung von Deep-Learning-Projekte.
Ein Ansatz mit großem Potential zur Überwindung dieses Problems sind sogenannte „synthetische Daten“, welche in einer Simulationsumgebung erzeugt werden. Die manuelle Arbeit beschränkt sich hierbei hauptsächlich auf die einmalige Erstellung von 3D-Modellen und der virtuellen Umgebung, auf deren Basis beliebig große Datensätze autonom und günstig generiert werden können.

Darüber hinaus bieten synthetische Daten noch weitere Vorteile. Roboter können flexibler eingesetzt wer-den, weil bei veränderten Prozessen oder Umgebungsparametern günstig neue Daten generiert werden können. Durch die Simulation ist zudem die Qualität der Datenbeschriftung höher und es lassen sich Daten für spezielle Aufgaben, welche in der Realität nicht ohne großen Aufwand möglich sind, günstig erzeugen. Beispielsweise die Erkennung der 6D-Pose von Werkstücken anhand von 2D-Bildern oder die Simulation von in der Realität zu vermeidenden Extremzuständen.

Im Bereich des Reinforcement Learning (RL) finden auch interaktive Simulationen Anwendung, in denen Robotersteuerungen trainiert werden. Reale Roboter können weiter für die Produktion eingesetzt werden, so-dass durch das Trainieren kein Stillstand mehr entsteht. Auch wird das Training durch die parallele Simulation zahlreicher Roboter beschleunigt und skaliert somit stark mit der genutzten Rechenleistung.

Solche synthetischen Datensätze sollen daher die primäre Datenbasis für das Training der ROOKIE KI-Skills sein. Dazu werden einerseits virtuelle Umgebungen zum Rendering von visuellen 2D- und 3D-Datensätzen und andererseits physikalische Simulationen für das RL von Roboteroperationen aufgebaut. Aufgrund der Abweichung von Simulationen zur Realität lassen sich auf Basis von synthetischen Daten trainierte Algorithmen nicht immer störungsfrei in die Realität übertragen. Zur Entgegenwirkung dieser als „Sim2Real Gap“ bekannten Problematik existiert eine Vielzahl an Ansätzen, welche bei der Verwendung von synthetischen Daten zu beachten sind und die in ROOKIE zum Einsatz kommen sollen.

Abschließend kommen Sensordaten vor allem im Betrieb und der Evaluation zum Einsatz. Beispielsweise werden dabei Kameradaten oder die Kraft-Momenten-Sensorik des sensitiven Roboters genutzt. So können synthetisch trainierte KI-Module durch Sensordaten weiter optimiert werden oder einfach mit ihnen gespeist werden, um die Prozessdurchführung zu überwachen oder zu steuern.

B. Ontologiebasiertes Framework für KI-basierte Robotersysteme

20% der Herstellungskosten und 50% der Produktionszeit entfallen auf die Montage, weshalb eine effektive Prozessplanung und -vorbereitung hohes Potential verspricht, um Kosten und Zeit einzusparen. Neben der Automatisierung der Montageoperationen durch KI-Skills soll daher auch die Prozessplanung und -vorbereitung unterstützt werden. Durch die voll manuelle Durchführung dieser Arbeitsschritte steigt der Aufwand zur Inbetriebnahme neuer Montageprozesse. Ein informationstechnisches System zur teilautonomen Gestaltung der Prozessplanung, -vorbereitung und -durchführung kommt damit einer prozesskritischen Rolle zu.

Als Grundlage für diese Funktionalität wird eine detaillierte Modellierung von Daten, Ressourcen, Zustände, Skills, Prozessparametern und Operationen, sowie die Modellierung der Beziehungen zwischen diesen Elementen benötigt. Montageprozesse würden bei einem solchen System nicht mehr als starre Abfolge von Handlungsoperationen definiert werden, sondern als Transition eines Ausgangszustands in einen Zielzustand. Die Beziehungen zwischen den Zustandsänderungen implizieren die notwendigen Montageoperationen, deren Anordnung und den sich daraus ergebenden Daten-, Ressourcen- und Fähigkeitsbedarf. Ontolo-gien eignen sich dazu besonders, da sie es ermöglichen Wissen, Konzepte und Beziehungen zu modellieren. Insbesondere die W3C OWL 2 Web Ontology Language ist für die Entwicklung eines übergeordneten Modells zur Prozessplanung, -vorbereitung und -durchführung besonders gut geeignet. OWL 2 ist weitverbreitet, lässt eine flexible Erweiterung zu und ermöglicht es komplexes Wissen zu modellieren.

C. Machine Learning Verfahren in der roboterbasierten Montage

Ein möglicher Ansatzpunkt zur Steigerung der Flexibilität und Robustheit von Montageoperationen ist der Einsatz von Machine Learning (ML) basierten Roboter-Skills, welche eine flexible oder automatisierte Durchführung von Montageoperationen er-möglichen. Diese werden nicht starr programmiert, sondern intelligent und kontext-adaptiv ausgeführt. Daher benötigen diese Methoden keine vorhergehende Programmierung von gut ausgebildeten Fachkräften, wodurch sich Kostenvorteile gegenüber der konventionellen Roboterprogrammierung ergeben. Die Skills werden in einer vorangehenden Trainingsphase erlernt und können etwa für das Lokalisieren von Objekten, die Prüfung des Montagefortschritts, das Greifen von unbekannten Objekten, und das sensitive Montieren von Bauteilen genutzt werden.

Die automatisierte Lokalisierung der Objekte und das anschließende KI-basierte Greifen erlaubt es, unbekannte Objekte auch in undefinierten Lagen zu lokalisieren und diese im Anschluss zu greifen. Dadurch benötigen solche Systeme weder Positioniersysteme, deren Anschaffung bei kleinen Losgrößen häufig unwirtschaftlich sind, noch bedarf es einer starren Programmierung der Greifpose, was die Flexibilität weiter erhöht. Darüber hinaus erlauben KI-Anwendung auch eine Verbesserung der Qualität. So liegt laut, trotz Schulungen für Mitarbeiter:innen für die Qualitätskontrolle, die Gesamteffizienz der Qualitätsprüfung bei weniger als 80%. (ca. 20% - 30% der Fehler werden nicht gefunden) beschreibt die vollständige Abhängigkeit vom Menschen als den größten Nachteil der traditionellen Qualitätskontrolle. Neue KI-basierte Ansätze können die Werker:innen bei der Kontrolle sensorisch unterstützen. Eine weitere Verbesserung der Qualität und der Flexibilität kann beim KI-basierten, sensitiven Fügen erreicht werden. RL-basierte Ansätze ermöglichen es Montageoperationen in der Simulation zu erlernen, sodass kein starres programmieren der Roboter nötig ist. Zudem erlaubt der Einsatz von Kraftsensoren präzise Fügeoperationen mit geringen Toleranzen auszuführen.

Vor diesem Hintergrund sollen in ROOKIE diverse ML-Verfahren zu einer holistischen Methodik kombiniert werden, welche die Flexibilität, Autonomie und Robustheit der Planung, Inbetriebnahme und Durchführung von roboterbasierten Montageoperationen steigert. Aus dieser Motivation lässt sich folgende Hauptforschungsfrage ableiten:

Inwiefern kann die Kombination aktueller Machine Learning Technologien mit einem ontologiebasierten Modellierungsansatz und einer synthetischen Datenbasis die Flexibilität und Robustheit von roboterbasierten Montageprozessen steigern?

Zur Beantwortung dieser Forschungsfrage werden die im Folgenden beschriebenen Teilziele bearbeitet. Zunächst wird im Zuge der Planungsphase von ROOKIE ein über-greifendes Systemkonzept für die Methodik entwickelt. Dazu werden aus bestehenden Automationshürden und Bedarfen Anforderungen abgeleitet, welche die angestrebte Methodik erfüllen muss. Diese Anforderungen werden in Teilkonzepte der einzelnen Systembestandteile und das übergreifende Gesamtkonzept überführt. Im nächsten Schritt wird die Ontologie zur Modellierung des Systems entwickelt, welche das zu montierende Produkt, den Prozess, dessen Ressourcen und Skills sowie die Trainingsdaten abbilden kann. Zur Erzeugung der synthetischen Trainingsdaten wer-den virtuelle Simulationsmodule aufgebaut und die Daten in die Modellierung eingebettet. Anschließend wird die Benutzerschnittstelle konzipiert und umgesetzt, welche die Integration von Expertenwissen erlaubt. Im Zentrum der Methodik stehen die vier ML-Module „Lokalisieren“, „Prüfen“, „Greifen“ und „Fügen“ welche implementiert werden und mit der Kombination aus synthetischen Daten und integriertem Expertenwissen antrainiert werden. Abschließend wird die Methodik in einen am WZL bestehenden Demonstrator integriert und in industrienahen UseCases validiert und evaluiert.

Förderhinweis

Das IGF-Vorhaben ROOKIE (22648 N) der Forschungsvereinigung Programmiersprachen für Fertigungseinrichtungen (FVP) e.V. wurde über die AiF im Rahmen des Programms zur Förderung der Industriellen Gemeinschaftsforschung (IGF) vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages gefördert. Der Förderzeitraum begann im April Februar und endete im Juli 2025.