KI in der Logistik: Wie Roboter die langweiligsten Jobs im Lager übernehmen sollen

Humanoider Roboter von Tesla: Helfen solche und ähnliche Systeme, die Logistik zu revolutionieren?
Bevor nahezu jedes Produkt zum Kunden nach Hause kommt, durchläuft es die globale Lieferkette auf einer Palette. Allein in den Vereinigten Staaten sind mehr als 2 Milliarden Paletten im Umlauf, jährlich werden in dem Land Waren im Wert von 400 Milliarden US-Dollar auf ihnen exportiert. Das Verladen von Kartons auf diese Paletten ist jedoch eine Aufgabe, die aus grauer Vorzeit zu stammen scheint: Schwere Lasten und sich wiederholende Bewegungen bergen ein hohes Verletzungsrisiko für die Mitarbeiter. Die Automatisierung gestaltet sich bislang schwierig: In den seltenen Fällen, in denen Roboter eingesetzt werden können, dauert es Monate, bis sie mit Handheld-Computern so programmiert wurden, dass das wie gewünscht funktioniert. Es wirkt, als sei man in den Neunzigern gefangen.
Jacobi Robotics, ein Startup-Unternehmen, das von Forschern an der University of California in Berkeley gegründet wurde, behauptet jetzt, diesen Prozess mit einem neuen KI-System erheblich beschleunigen zu können, das auch eine neue Steuerung von Robotern beinhaltet. Das Team ging bei der Palettierung – einer der häufigsten Aufgaben in Lagerhäusern – in erster Linie von der Bewegungsplanung aus: Wie bringt man einen Roboterarm dazu, Kisten mit unterschiedlichen Formen aufzunehmen und sie effizient auf einer Palette zu stapeln, ohne dabei stecken zu bleiben? All diese Berechnungen müssen außerdem auch noch ausreichend schnell ablaufen, denn in vielen Fabriken werden mehr verschiedene Produkte als je zuvor hergestellt – und damit auch Kartons in mehr Formen und Größen, die es zu verladen gilt.
Ansatz, wie ein Roboterarm Paletten bewegt
Nach viel Ausprobieren ist es den Gründern von Jacobi, darunter Robotiker Ken Goldberg, nach eigenen Angaben jetzt gelungen. Ihre Software, die auf Forschungsergebnissen einer 2020 in „Science Robotics“ veröffentlichten Arbeit aufbaut, ist so konzipiert, dass sie mit den Systemen der vier führenden Hersteller von bereits verfügbaren Palettierroboterarmen kompatibel ist. Sie nutzt Deep Learning, um eine Art Vorentwurf zu erstellen, wie ein Arm einen Artikel auf die Palette bewegen sollte. Anschließend werden herkömmliche KI-Methoden wie die mathematische Optimierung eingesetzt, um zu prüfen, ob die Bewegung wirklich sicher und störungsfrei durchgeführt werden kann.
Jacobi zielt darauf ab, bisherige Methoden zu ersetzen, die Kunden derzeit zum Trainieren ihrer Roboter verwenden. Dort werden aktuell spezielle Werkzeuge, genannt Teaching Pendants, eingesetzt, mit denen der Roboter angeleitet wird – und zwar manuell. Es muss ihm gezeigt werden, wie er jede einzelne Kiste aufzunehmen und auf die Palette zu stellen hat. Der gesamte Programmierprozess kann Monate dauern. Jacobi verspricht mit seiner KI-gesteuerten Lösung, diese Zeit auf nur einen Tag zu verkürzen. Das System kann Bewegungen im Einsatz in weniger als einer Millisekunde berechnen. Das Unternehmen plant, sein Produkt noch in diesem Monat auf den Markt zu bringen.
Viel Geld für die Robotik
Milliarden von Dollar werden bereits in die KI-gestützte Robotik investiert, aber die meiste Aufregung gilt den Robotern der nächsten Generation, die viele verschiedene Aufgaben übernehmen können – wie humanoide Roboter. Das Start-up Figure AI konnte bereits 675 Millionen Dollar von Geldgebern einsammeln, darunter Microsoft und OpenAI, und im Februar eine Bewertung von 2,6 Milliarden Dollar erreichen. Vor diesem Hintergrund mag der Einsatz von KI zum Trainieren eines besseren Kistenstapelroboters ziemlich simpel erscheinen.
In der Tat war die Startkapitalrunde von Jacobi im Vergleich dazu trivial: nur 5 Millionen Dollar unter der Leitung von Moxxie Ventures gab es. Aber inmitten des Hypes um die versprochenen Durchbrüche in der Robotik, die erst in einigen Jahren zustande kommen dürften, könnte die Palettierung jenes Logistikproblem sein, das die KI kurzfristig am besten lösen kann.
„Wir haben einen sehr pragmatischen Ansatz“, sagt Max Cao, Mitbegründer und CEO von Jacobi. „Die umzusetzenden Aufgaben sind für uns greifbar und wir können innerhalb eines kurzen Zeitrahmens eine hohe Kundenakzeptanz erreichen.“ Für sogenannte Moonshots gelte das nicht.
Das Softwareprodukt von Jacobi umfasst ein virtuelles Studio, in dem die Kunden ihre Anlagen nachbilden können, indem sie beispielsweise erfassen, welche Robotermodelle sie haben, welche Arten von Kisten vom Förderband laufen und in welche Richtung die Etiketten zeigen sollen. Ein Lagerhaus, das Sportartikel umschlägt, könnte das Programm beispielsweise nutzen, um herauszufinden, wie eine gemischte Palette mit Tennisbällen, Schlägern und Bekleidung am besten gestapelt werden kann. Dann planen die Algorithmen von Jacobi automatisch die vielen Bewegungen, die der Roboterarm ausführen muss, um die Palette zu beladen. Die Anweisungen werden an den Roboter übertragen.
Genauigkeit + KI = Erfolg
Der Ansatz verbindet die Vorteile schneller Berechnungen von KI-System mit der Genauigkeit traditioneller Robotertechnik, sagt Dmitry Berenson, Professor für Robotik an der University of Michigan, der nicht an dem Unternehmen beteiligt ist.
„Sie machen hier etwas sehr Vernünftiges“, sagt er. Ein Großteil der modernen Robotikforschung setzt zwar längst auf Künstliche Intelligenz und hofft, dass Deep Learning das manuelle Training ergänzen oder ersetzen kann, indem der Roboter aus früheren Beispielen einer bestimmten Bewegung oder Aufgabe lernt. Allerdings ist das leichter gesagt als getan.
Indem Jacobi Robotics sicherstellt, dass die durch Deep Learning generierten Vorhersagen mit den Ergebnissen traditionellerer Methoden abgeglichen werden, entwickelt die Firma Planungsalgorithmen, die weniger fehleranfällig sein dürften, als rein virtuelle, erläutert Berenson.
Die Planungsgeschwindigkeit, die sich daraus ergeben könnte, „stößt in eine neue Kategorie vor“, fügt er hinzu. „Sie werden als Nutzer die Zeit, die für die Berechnung einer Bewegung benötigt wird, gar nicht bemerken. Das ist in der Industrie sehr wichtig, wo jede Pause eine Verzögerung in der Lieferkette bedeutet.“