Automatisiertes Handling biegeschlaffer Teile

Biegeschlaffe Bauteile wie Kabel, Schläuche oder Textilien stellen aufgrund ihrer komplexen Dynamik und hohen Formvariabilität eine große Herausforderung für die industrielle Automatisierung dar. In Produktionsumfeldern werden viele Prozessschritte daher nach wie vor manuell ausgeführt. Vereinzelt bestehende Automatisierungslösungen sind meist starr auf den spezifischen Anwendungsfall ausgerichtet, benötigen spezielle Vorrichtungen und erfordern bei Produktänderungen eine aufwendige Anpassung. Aktuelle Forschungsarbeiten des WZL der RWTH Aachen zeigen am Beispiel der roboterbasierten Handhabung von T-Shirts den Einsatz moderner KI-Ansätze.

Eine häufig betrachtete KI-basierte Alternative zu starren Automatisierungslösungen ist das Reinforcement Learning. Dabei erhält das Robotersystem während des Trainings für jede seiner Aktionen eine Belohnung anhand einer eingangs definierten Belohnungsfunktion und lernt so, eine Aufgabe auszuführen. In der Praxis scheitern Reinforcement-Learning-Ansätze jedoch häufig an der Definition einer geeigneten Belohnungsfunktion, weil insbesondere bei Textilien der Zielzustand schwer zu quantifizieren ist.

Imitation Learning benötigt keine Belohnungsfunktion und umgeht damit die Schwierigkeiten bei der Quantifizierung des Ziels. Stattdessen nutzt es das intuitive Wissen des Menschen und lernt direkt aus Expertendemonstrationen. Diese Demonstrationen werden häufig durch manuelle Teleoperation des Roboters aufgezeichnet. Das KI-System erhält die Aktionen aus der Demonstration (die Roboterbewegung) zusammen mit der Beobachtung (die Kamerabilder) und lernt, für neue Beobachtungen eigenständig die passende Aktion zu bestimmen.

Aufbau am WZL

Für die experimentelle Untersuchung des Imitation-Learning-Ansatzes wurde am WZL in Kooperation mit einem Industriepartner ein zweiarmiges Robotersystem aufgebaut, an dem Aufgaben aus dem Stoff- und Wäschehandling umgesetzt werden. Die Versuchsplattform besteht aus zwei Franka-FR3-Robotern, die über das Robot Operating System (ROS) angesteuert werden. Die Teleoperation der Roboter wird durch Meta-Quest-3-VR-Controller umgesetzt. Die steuernde Person kann die Controller im Raum bewegen, die Roboter ahmen die Bewegung in Echtzeit im kartesischen Raum nach. Damit wird eine intuitive und präzise Teleoperation ermöglicht.

Der Demonstrationsaufbau wird durch ein kamerabasiertes Sensorsystem ergänzt, das eine umfassende visuelle Erfassung der Szene ermöglicht. Eine Top-down-Kamera nimmt das globale Geschehen und die Materialausbreitung auf, während zwei Handgelenk-Kameras an den Roboterarmen die Interaktion aus der Nähe aufzeichnen. Das ermöglicht sowohl das Kontextverständnis als auch die feingranulare Bewegungserfassung, was entscheidend für die Trainingsqualität moderner Vision-Language-Action-Modelle ist.