Laufendes Projekt 12/2025– 11/2027

In modernen Produktionsanlagen übernehmen Greifroboter Montage- und Beladeaufgaben und ermöglichen so eine weitgehende Automatisierung dieser Prozesse. Aktuelle Greifsysteme sind jedoch meist auf einzelne, vorab definierte Aufgaben beschränkt, sodass die Umrüstung oder der Aufbau neuer Produktionslinien erhebliche Expertenkenntnisse erfordert. Die steigende Produktindividualität und verkürzten Innovationszyklen machen daher einen höheren Grad an Autonomie in der robotischen Greifplanung erforderlich. Dies ermöglicht die Erschließung neuer Industriezweige, indem komplexe nicht-repetitiven Greifbewegungen ausgeführt werden, die bisher durch manuelle Arbeit ausgeführt werden. Einer dieser neuen industriellen Anwendungsgebiete ist die Demontage, wobei hierbei die positiven Effekte der Wirtschaftlichkeit und Nachhaltigkeit einer Kreislaufwirtschaft vereint werden können.

Für die erfolgreiche Greifsynthese wird eine Methode zur Bestimmung von Affordances entwickelt und mit einer Bewegungsplanung des Greifers gekoppelt. Es wird ein experimenteller und simulativer Versuchsaufbau erstellt, in dem ein Industrieroboter seinen Arbeitsbereich mithilfe einer 3D-Kamera wahrnehmen kann. Diese Daten werden mit einer Semantik, welche die Baugruppe beschreibt, kombiniert, um die Parameter des Deep-Learning-Modells zu trainieren. Eine Heuristik erweitert diesen datenbasierten Prozess, verbessert die Generalisierung auf unbekannte Objekte und gewährleistet einen effizienten Lernprozess. Das Planungsmodul ermöglicht sowohl Zwei-Finger-Griffe als auch die Ausführung mit einem Sauggreifer, abhängig von der geschätzten Griffqualität. Die resultierende Methode zur Grasp Synthesis wird an Benchmarks und an einem eigenen industriellen Datensatz für Affordances mit den State-of-the-Art-Methoden verglichen.