KI-basierte Roboterkalibrierung: Genauer durch maschinelles Lernen

KI-basierte Roboterkalibrierung: Genauer durch maschinelles Lernen

Ein Forschungsprojekt zur KI-basierten Roboterkalibrierung zielt darauf ab, durch maschinelles Lernen neue genauere Kalibriermethoden zu entwickeln. Initiatoren des Gemeinschaftsprojekts sind die Universität Stuttgart, die DHBW Karlsruhe und der Robotik-Experte und Softwarehersteller ArtiMinds Robotics.

Industrieroboter zeichnen sich durch eine zuverlässige und präzise Prozessausführung aus. Um die hierfür notwendige hohe Genauigkeit zu gewährleisten, müssen die Systeme in regelmäßigen Abständen individuell nachkalibriert werden. Dies ist kosten- und zeitintensiv und bedeutet vor allem für KMUs einen erheblichen Mehraufwand. Darüber hinaus kommen mehr und mehr preiswerte Roboterarme auf den Markt, die mechanisch bedingt potentiell noch größere Ungenauigkeiten in der Positionierung besitzen.

Aktuelle Roboterkalibrierung zu unpräzise

Mit aktuell verfügbaren Methoden für die Roboterkalibrierung lassen sich nur Geometriefehler korrigieren. Temperatur- oder lastabhängige Ungenauigkeiten zum Beispiel können jedoch nur ungenügend ausgeglichen werden. Auch eine Nachkalibrierung im laufenden Betrieb, die für einen nachhaltigen Optimierungsprozess wichtig wäre, ist nicht realisierbar. Um diese Lücken zu schließen und durch maschinelles Lernen neue softwaregetriebene Kalibriermethoden für die Praxis zu entwickeln, haben der Robotik-Experte ArtiMinds Robotics, die Universität Stuttgart und die DHBW Karlsruhe bereits im April 2020 das KI-Projekt KIRK gestartet.

Basis sind die tiefen neuronalen Netze (Deep Learning)

Darko Katic, technischer Ansprechpartner für das KIRK Projekt und Teamleiter Künstliche Intelligenz bei ArtiMinds erklärt: „Die Möglichkeit, Daten automatisiert zu erfassen und zu analysieren, verringert den Aufwand für den Anwender und erleichtert es insbesondere KMUs die notwendige Kompetenz aufzubauen, um ein Robotersystem optimal zu nutzen.“ Ziel ist es, die Genauigkeit softwaregestützt zu erhöhen, um dadurch Roboter für ein breites Anwendungsspektrum flexibel einsetzen zu können, Arbeitsabläufe durch eine vom Robotertyp und –hersteller unabhängige Lösung zu vereinfachen und Fachpersonal zeitlich zu entlasten. „Die Basis, um die komplexen Zusammenhänge aus äußeren Faktoren sowie den zeitlich veränderlichen Eigenschaften des individuellen Roboters beherrschbar zu machen und so die Positioniergenauigkeit zu erhöhen, bilden die tiefen neuronalen Netze (Deep Learning)“, so der KI-Forscher Prof. Marco Huber vom IFF der Universität Stuttgart.

Das Institut für Industrielle Fertigung und Fabrikbetrieb (IFF) der Universität Stuttgart und das Robot-and-Human-Motion-Lab (RaHM-Lab) der Dualen Hochschule Baden-Württemberg Karlsruhe übernehmen im Projekt die Grundlagenforschung. Gemeinsam mit ArtiMinds Robotics als Industriepartner werden die Ergebnisse auf reale industrielle Anwendungsfälle übertragen. Abschließend sollen die neu entwickelten Methoden auch in die Programmiersoftware Robot Programming Suite (RPS) integriert werden. Projektende soll im Frühjahr 2022 sein.

Weitere Informationen: www.artiminds.com