Von digitaler Intelligenz zu physischer Aktion
Physical AI verlässt zunehmend die Laborumgebung und gelangt in Umgebungen, in denen Roboter direkt mit Maschinen, Komponenten, Werkzeugen und Menschen interagieren müssen. Agile Robots und Franka Robotics demonstrierten diesen Übergang kürzlich auf zwei europäischen Veranstaltungen und zeigten, wie robotische Intelligenz die industrielle Automatisierung mit Daten für das Roboterlernen verbinden kann.
Die Demonstrationen in Zürich und Bremen weisen auf einen umfassenderen Wandel in der Automatisierungstechnik hin: Der Wert von KI wird nicht mehr allein dadurch bestimmt, wie gut ein System Daten versteht. Zunehmend hängt er davon ab, ob diese Intelligenz physische Bedingungen erfassen, Entscheidungen treffen und präzise Aktionen in der realen Welt ausführen kann.
Kraftregelung macht die Robotermontage adaptiver
Auf der all about automation Zürich demonstrierte Agile Robots die Diana 7 bei der Einpassung eines Zylinderkopfs mit Drehmomenterfassung über alle sieben Gelenke. Statt den Roboter als einfachen positionsgesteuerten Mechanismus zu behandeln, überwacht das System während des Montageprozesses die Interaktionskräfte.
Dieser Unterschied ist bei Anwendungen wichtig, bei denen mechanische Toleranzen, Bauteilabweichungen oder kleine Positionierungsfehler das Ergebnis beeinflussen können. Die Kraftrückmeldung ermöglicht es dem Roboter, auf den tatsächlichen mechanischen Zustand der Montage zu reagieren, anstatt sich vollständig auf eine vorab definierte Bahn zu verlassen.
Aus Sicht der industriellen Automatisierung stellt dies eine wichtige Entwicklungsrichtung für robotische Systeme dar. Sensoren werden Teil des Regelkreises und ermöglichen es Robotern, Kontaktbedingungen zu interpretieren und ihr Verhalten entsprechend anzupassen.
Thor 12 zielt auf flexible Schweißprozesse
Agile Robots präsentierte außerdem Thor 12 für robotergestützte Schweißanwendungen. Der Drag-and-drop-Ansatz zur Einweisung und die Low-Code-Steuerung sollen die Erstellung und Anpassung von Schweißbahnen vereinfachen.
Die Möglichkeit, Bahnen für Eck-, Vertikal- und Schrägschweißungen anzupassen, ist besonders für Produktionsumgebungen mit häufigen Produktwechseln relevant. Die angegebene Fähigkeit, Spalte von nur 1 mm zu bearbeiten, verdeutlicht zudem, wie Bahnsteuerung und Prozessanpassung die Schweißqualität beeinflussen können.
Meiner Ansicht nach liegt die praktische Bedeutung von Systemen wie Thor 12 nicht einfach darin, dass sie die Roboterprogrammierung erleichtern. Der größere technische Vorteil ist die Verringerung des Programmieraufwands, wenn sich die Produktionsanforderungen ändern. Dadurch kann robotergestützte Automatisierung für kleinere Losgrößen und variablere Fertigungsprozesse besser geeignet sein.
Trainingsdaten für Roboter werden Teil des Automatisierungsstapels
Die Demonstration in Bremen zeigte einen anderen Teil der Physical-AI-Gleichung. Franka Robotics nutzte Franka GELLO Duo zur Teleoperation des FR3 Duo, während LABS die Demonstrationen als strukturierte Trainingsdaten für die beidhändige Manipulation erfasste.
Dieser Ansatz verändert das Verhältnis zwischen menschlichen Bedienern und der Roboterprogrammierung. Anstatt jede Roboterbewegung mit herkömmlichen Programmiermethoden manuell festzulegen, können menschliche Demonstrationen Beispiele liefern, aus denen intelligente Roboterverhalten entwickelt werden.
Für KI-Entwickler ist der Ablauf der Datenerzeugung das entscheidende Element. Teleoperation bietet eine Möglichkeit, menschliches Manipulationsverhalten zu erfassen, während die Roboterplattform die physische Ausführungsumgebung und die zugehörigen Daten bereitstellt.
Beidhändige Manipulation erfordert mehr als Bewegungsplanung
Beidhändige Robotik bringt zusätzliche Anforderungen an die Steuerung mit sich, da zwei Roboterarme ihre Bewegungen und Kräfte sowie ihre Interaktion mit dem manipulierten Objekt koordinieren müssen.
Trainingsdaten müssen daher mehr als einzelne Gelenkpositionen abbilden. Demonstrationen können Informationen über koordinierte Bewegungen und physische Interaktionen enthalten, die durch einfache skriptbasierte Sequenzen nur schwer reproduziert werden könnten.
Hier unterscheidet sich Physical AI von der herkömmlichen Programmierung von Industrierobotern. Die traditionelle Automatisierung beginnt im Allgemeinen mit einer definierten Aufgabe und explizit entwickelter Logik. Ansätze des Roboterlernens können dagegen Demonstrationen als Teil des Prozesses zur Entwicklung aufgabenspezifischen Verhaltens nutzen.
Die Verbindung zwischen KI und industrieller Automatisierung
Die Demonstrationen in Zürich und Bremen befassen sich mit unterschiedlichen Phasen derselben technischen Kette. Diana 7 und Thor 12 konzentrieren sich auf die physische Ausführung in industriellen Anwendungen, während Frankas Teleoperations- und Datenerfassungs-Workflow behandelt, wie robotische Intelligenz trainiert werden kann.
Die Verbindung zwischen diesen Bereichen ist bedeutsam. Ein Roboter, der seine Umgebung erfassen kann, benötigt weiterhin geeignete Steuerungsstrategien, während ein anhand von Demonstrationen trainiertes KI-Modell letztlich eine physische Plattform braucht, die seine Entscheidungen ausführen kann.
Für Ingenieure der industriellen Automatisierung deutet dies darauf hin, dass künftige Roboterarchitekturen zunehmend Sensorik, Bewegungssteuerung, KI-Inferenz, Datenerfassung und konventionelle Automatisierungstechnologien kombinieren werden, anstatt sie als isolierte Systeme zu behandeln.
Warum Physical AI für Hersteller wichtig ist
Hersteller sehen sich zunehmend variablen Produktionsanforderungen, kürzeren Produktlebenszyklen und dem Druck ausgesetzt, Aufgaben zu automatisieren, die sich bisher nur schwer standardisieren ließen. Feste Roboterprogramme bleiben für wiederholende Prozesse äußerst effektiv, doch ihre Grenzen werden sichtbarer, wenn sich die Umgebung oder das Produkt häufig verändert.
Physical AI bietet einen weiteren Ansatz, indem Roboter Sensorrückmeldungen, Demonstrationen und erlernte Verhaltensweisen in ihren Betrieb einbeziehen können.
KI sollte jedoch nicht als Ersatz für etablierte Automatisierungstechnik betrachtet werden. Sicherheitsfunktionen, deterministische Steuerung, elektrische Architektur, Bewegungsgrenzen, industrielle Netzwerke und Prozessvalidierung bleiben grundlegend. Die praxisnahesten Systeme werden wahrscheinlich KI-basierte Entscheidungsfindung mit etablierten Steuerungs- und Sicherheitsebenen kombinieren.
Von Demonstrationen zu einsetzbaren Systemen
Der interessanteste Aspekt der jüngsten Demonstrationen von Agile Robots ist die Verbindung zwischen Entwicklung und Einsatz. Trainingsdaten für Roboter, intelligente Steuerung, Kraftsensorik, vereinfachte Programmierung und physische Ausführung werden zunehmend zu Bestandteilen einer übergreifenden Automatisierungsarchitektur.
Die nächste technische Herausforderung ist die Skalierbarkeit. Eine erfolgreiche Demonstration ist erst der Anfang. Der industrielle Einsatz erfordert wiederholbare Leistung, vorhersehbare Zykluszeiten, die Integration in bestehende SPS- und Fertigungssysteme, Sicherheitsvalidierung, Wartbarkeit und messbare Produktionsvorteile.
Physical AI muss sich daher nicht nur als KI-Technologie, sondern auch als Technologie für die industrielle Steuerung bewähren.
Ein Wandel in der Entwicklung von Robotern
Die Demonstrationen in der Schweiz und in Deutschland zeigen, dass sich die Industrierobotik auf ein adaptiveres Modell zubewegt. Von Robotern wird zunehmend erwartet, dass sie physische Bedingungen wahrnehmen, aus Demonstrationen lernen und ihre Aktionen anpassen, anstatt lediglich vorgegebene Bahnen zu wiederholen.
Meiner Ansicht nach liegt die größte Chance darin, diese Fähigkeiten mit konventioneller industrieller Automatisierung zu kombinieren, statt sie zu ersetzen. SPS, Bewegungssteuerungen, Sicherheitssysteme, Sensoren, industrielle Netzwerke und Roboterplattformen können die deterministische Grundlage bilden, während Physical AI eine höhere Ebene adaptiver Entscheidungsfindung ergänzt.
Das Ergebnis könnte eine neue Generation von Automatisierungssystemen sein, in denen Roboter nicht mehr nur programmierte Maschinen sind, sondern physische Computersysteme, die in realen Produktionsumgebungen wahrnehmen, lernen und handeln können.
