Alles im Flow

In der Robotik galt das Motion-Planning-Problem lange als weitgehend gelöst, die Qualität ausreichend – ging es doch vor allem darum, eine gültige Bahn vorzugeben und auf dieser mehr oder minder optimal zu verfahren. Ob diese dann besonders schnell, sanft und produktschonend, energiesparend oder taktoptimal ist, war zwar Gegenstand der wissenschaftlichen Bearbeitung, spielte aber in der Praxis lange eine eher untergeordnete Rolle.

Mit immer höheren Taktraten, mehr Variantenvielfalt in Robotermechaniken und Anwendungen, dem Handling empfindlicher Produkte sowie dem schnellen Verfahren in engen Bauräumen stößt dieses Standardvorgehen jedoch an Grenzen – gerade in Verpackungsprozessen. Dort arbeiten Pick-and-Place-Roboter mit hohen Geschwindigkeiten auf engem Raum, oft synchron zu kontinuierlich laufenden Förderbändern. Jede Bahn muss sich in ein knappes Taktfenster einfügen.

Praktiker unterscheiden deshalb zwischen Funktionszeit, in der tatsächlich verpackt oder versiegelt wird, und reiner Bewegungszeit. Letztere ist aus Sicht der Produktivität ein 'Abfallprodukt' und soll daher so effizient wie möglich gestaltet werden.

Formel-1-Logik in der Verpackungslinie

Das weckt Assoziationen zum Rennsport: Wie in der Formel 1 muss auch in der Verpackungslinie jedes 'Fahrzeug' seine Runde möglichst schnell und sicher absolvieren. Gleichzeitig sind zahlreiche Faktoren zu beachten: begrenzte Beschleunigungen empfindlicher oder mit einer gewissen Eigendynamik behafteter Produkte, Kollisionsfreiheit im engen Maschinenraum sowie Antriebsgrenzen. Die aus diesen Parametern errechnete Bewegungsplanung muss zudem in wenigen Millisekunden in hoher Qualität bereitgestellt werden.

Das ist keineswegs trivial, gilt es hierbei doch Rechenergebnisse in Echtzeit an der Maschine bereitzustellen. Um all diese Zusammenhänge unter einen Hut zu bekommen, kombinieren moderne Bewegungssteuerungsalgorithmen klassische Optimierung mit lernenden Modellen. Auf Basis einer gegebenen Szene berücksichtigen diese etwaige Hindernisse und Einschränkungen und berechnen daraus eine Bahn, die möglichst schnell und zugleich sicher ans Ziel führt.

KI als Beschleuniger der Bahnplanung

Die mathematische Suche nach der optimalen Bahnkurve ist rechenintensiv. Je mehr Randbedingungen einfließen, desto aufwendiger gestaltet sich die Optimierung. Die individuellen Anpassungen, die erforderlich sind, damit eine Linie rund läuft, ließen sich theoretisch auch manuell durchführen. Ein solches Vorgehen skaliert jedoch denkbar schlecht, da sich Ergebnisse nicht verlustfrei auf geänderte Rahmenbedingungen übertragen lassen. Hinzu kommt: Bewegungsabläufe sollen auch nach einem Formatwechsel ohne lange Einfahr- oder Optimierungsphasen sofort zuverlässig weiterlaufen.

Der Ansatz, den unter anderem das Team von Schubert Motion verfolgt, verlagert daher einen Großteil der Rechenarbeit ins virtuelle Versuchslabor. Für typische Aufgabenstellungen – etwa das Aufnehmen, Ausrichten und Ablegen von Produkten mit F2- oder F4-Robotern – werden dort unzählige Varianten durchgespielt und als Bewegungsprofile in neuronalen Netzen gespeichert. An der realen Maschine ruft die Steuerung in wenigen Millisekunden diese angelernten optimalen Trajektorien ab. Was zuvor Sekunden an Rechenzeit beansprucht hätte, steht nun in wenigen tausendstel Sekunden zur Verfügung – ein beachtlicher Rechenzeitvorteil, der den Einsatz in Echtzeit-Steuerungen überhaupt erst ermöglicht.

Geschwungene Bahnen, weniger Schwingungen

Optimierungspotenzial besteht auch bei der Bahngestaltung: Konventionell programmierte Roboter bewegen sich oft entlang einfacher Grundprimitive, die an den Übergangsstellen 'verrundet' beziehungsweise verschliffen werden: gerade Strecken, dazwischen abrupte Richtungswechsel. Das kann zu kurzen lokalen Belastungen auf den Roboter und die Umgebung führen und insbesondere zu einer verstärkten Schwingungsanregung in den verrundeten Bereichen.

Eine leicht geschwungene, organische Bahn, wie sie durch KI-gestützte Berechnung erzeugt wird, ermöglicht dagegen sanftere Geschwindigkeitsänderungen – und führt paradoxerweise zu schnelleren und zugleich schonenderen Abläufen. Wo nicht permanent am Leistungsmaximum gefahren werden muss, sind zudem Energieeinsparungen von bis zu 20 % möglich. Eine Speicherung wird bei der neuen TLM-7-Baureihe zudem durch Energierückgewinnung beim Bremsen erzielt – ein Prinzip, das Besitzern von E-Fahrzeugen bestens bekannt sein dürfte.

Wenn das Produkt den Takt vorgibt

Zunehmend rückt bei der Bewegungsoptimierung auch das gehandhabte Produkt selbst in den Mittelpunkt der Betrachtung: Folienbeutel mit Flüssigkeiten, poröse Backwaren oder weiche, deformierbare Produkte reagieren sensibel auf hohe Beschleunigungen und unerwartete Bewegungsbögen.

In der Vergangenheit wurden solche Produkte häufig durch konservative Parameter 'eingebremst', zusätzliche Roboterstationen ergänzt oder mechanische Anpassungen vorgenommen. Ein produktorientierter Bewegungsansatz fragt dagegen zuerst, welche Belastung dem Produkt zugemutet werden darf und optimiert die Bewegung entlang dieser Grenzen. Auf diese Weise lassen sich Leistungsreserven erschließen, ohne die Produkte zu beschädigen.

Wenn Dynamik die Struktur fordert

Bei Verpackungsrobotern kommt ein weiterer Effekt hinzu: Jeder durch Beschleunigung induzierte Kraftimpuls bringt das Maschinengestell, auf dem der Roboter montiert ist, zum Schwingen. Ist es zu flexibel ausgelegt oder nicht ausreichend gedämpft, schaukelt sich das System schnell auf. Die Folge ist eine geringere Genauigkeit des Gesamtsystems, die sich durch Qualitätseinbußen beim eigentlichen Pick-Prozess auswirkt oder in nachgelagerten Stationen fortpflanzt.

Optimierte Bewegungsprofile reduzieren diese Energieeinträge in die Struktur, können die physikalischen Grenzen der Konstruktion aber nicht vollständig aufheben. Dieser Effekt zeigte sich auch während der Entwicklungsphase für die neue Bewegung der F4 Roboter von Schubert. Das Dresdner Team hat deshalb ergänzend ein neues Gestellkonzept mit vierfacher Steifigkeit entwickelt, das den Roboter deutlich weniger zum Schwingen bringt und zugleich Raumausnutzung und Zugänglichkeit der Anlage verbessert.

Automation NEXT Conference 2026

Datum: 30. September 2026

Ort: CU.BE Ulm by Bosch Rexroth, Ulm

Die Automation NEXT Conference ist die Fachkonferenz für industrielle Automatisierung, Digitalisierung und KI im Maschinen- und Anlagenbau.

Sie richtet sich an Entscheider, Produktions- und Automatisierungsverantwortliche sowie Entwickler, die ihre Fertigung zukunftsfähig aufstellen möchten. Im Fokus stehen praxisnahe Vorträge, Best Practices und der Austausch zwischen Industrie, Technologieanbietern und Forschung.

Themenschwerpunkte:

• Künstliche Intelligenz und generative Copilots im Engineering und in der Produktion

• Cobots und kognitive Robotik zur Bewältigung des Fachkräftemangels

• Smart Factory, IIoT, Industrial Networks und MES-Systeme

• Energieeffizienz, Nachhaltigkeit und Wettbewerbsfähigkeit

Teilnehmer:

Fach- und Führungskräfte aus industrieller Automatisierung, Produktion und Maschinenbau sowie Expert:innen aus Forschung und Technologieunternehmen.

Besonderheiten:

• Hochkarätige Speaker aus Industrie und Forschung

• Ein kompakter Konferenztag mit starkem Praxisbezug

• Intensives Networking und direkter Austausch auf Augenhöhe

Weitere Informationen & die Möglichkeit zur Anmeldung gibt es hier.