Auch in den Lagern der größten Online-Kaufhäuser müssen nach wie vor menschliche Hilfskräfte die bestellten Waren in Regalen suchen, sie entnehmen und zu einer Sendung  zusammenstellen. Ein Team des Karlsruher Institut für Technologie (KIT) hat nun während der Amazon Robotics Challenge Ende Juli im japanischen Nagoya demonstriert, wie diese Aufgabe künftig Robotern übertragen werden könnte.

Bei dem entsprechenden Projekt PiRo Robot des Institut für Fördertechnik und Logistiksysteme innerhalb des KIT ist ein Roboterarm in der Mitte einer Reihe von flachen Kisten angeordnet, in denen  ungeordnet verschiedene Gegegnstände liegen. Manche dieser Schubladen lassen sich auf Laufschienen in zwei Etagen übereinander hinweg bewegen. Ein Computer kann den Roboterarm über einen beliebigen Gegenstand positionieren, den er dann wahlweise greift oder ansaugt und in eine Weitere anfangs leere Kiste ablegt. Alle Aktionen – vom Erkennen über das Greifen bis zum Ablegen – gehen bei diesem System auf ähnliche Bewegungsmuster zurück. Das vereinfacht die Handlungsplanung und macht sie schneller und sicherer. „Da die momentanen Warenhaussysteme technisch ausgereizt sind, wollten wir ein komplett neues System für das 21. Jahrhundert entwickeln, dass  die Vorteile des Robotergreifers voll zur Geltung kommen lässt“, meint der IFL PiRo-Team-Captain Kai Markert vom Institut für Fördertechnik und Logistiksysteme des KIT.

Der PiRo-Roboter erkennt die Gegenstände, die er aufnehmen soll, mit Hilfe neuronaler Netze. Sie anzulernen ist im gegenwärtigen Stadium noch ein recht aufwändiger Prozess: Für den Wettbewerb lernten die Netze in 120 Stunden 40 Artikel. Dafür wurden 6000 Bilder (150 pro Artikel) von Hand ausgezeichnet. Weitere Artikel, die den Wettbewerbsteilnehmern erst eine halbe Stunde vor  ihrem Start zur Verfügung standen, lernte der Roboter mit speziellen Algorithmen anhand ihrer skaleninvarianten Merkmale (Scale-invariant feature transfom, SIFT). Hier mussten sechs Bilder pro Artikel reichen.

Prinzipiell gibt es keine Obergrenze für die Menge zu erlernender Artikel. Allerdings ist sicher nicht jede Konstellation effizient. Der Roboter findet ein Objekt um so schneller, je weniger Alternativen in Frage kommen. Beliebige Artikel in einer sehr großen Menge zu erkennen, würde mit den SIFT-Algorithmen  zu lange dauern, wäre mit neuronalen Netzen aber möglich, wenn man genügend Ressourcen in Form von Rechenleistung, Zeit und Speicherplatz zur Verfügung stellen kann. Wo da die Grenzen der Wirtschaftlichkeit verlaufen, untersuchen derzeit einzelne Anlagen im Probebetrieb. Noch ist der Mensch auf diesem Gebiet eine harte Konkurrenz für Roboter, weil er Gegenstände intuitiv schnell erkennen, neue augenblicklich lernen und schließlich sicher greifen kann.

Ein Video, das den Roboter in Aktion zeigt, findet sich hier.