💻 computer science

Automating Box Folding: Sequence Extraction and Ranking Methodologies

Dieses Papier schlägt eine innovative Methode zur Identifizierung und Rangfolge machbarer Kartonfaltsequenzen basierend auf Hardware-Kompatibilität vor, um die Lücke zwischen Sequenzextraktion und adaptiven automatisierten Verpackungssystemen zu schließen, validiert durch einen robotischen Anwendungsfall.

Ursprüngliche Autoren: Giuseppe Fabio Preziosa, Davide Ferloni, Andrea Maria Zanchettin, Marco Faroni, Paolo Rocco

Veröffentlicht 2026-01-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Giuseppe Fabio Preziosa, Davide Ferloni, Andrea Maria Zanchettin, Marco Faroni, Paolo Rocco

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie haben ein flaches Stück Pappe, wie einen Pizzakarton, der noch nicht gefaltet wurde. Ihr Ziel ist es, daraus einen stabilen Karton zu machen, um Ihre Pizza darin zu halten. Wenn Sie dies von Hand tun würden, würden Sie einfach die Seiten greifen, sie hochklappen und die Klappen einstecken. Sie würden vielleicht verschiedene Reihenfolgen beim Falten ausprobieren, aber Sie würden schnell herausfinden, was funktioniert und was nicht.

Stellen Sie sich nun vor, Sie möchten einen Roboter dies tun lassen. Der Roboter besitzt keine „Intuition“. Er weiß nicht, dass er, wenn er die linke Seite zuerst faltet, die rechte Seite feststecken oder den Tisch berühren könnte. Wenn der Roboter die falsche Reihenfolge wählt, könnte er mit sich selbst kollidieren oder den Karton fallen lassen.

In dieser Arbeit geht es darum, einem Computer beizubringen, wie er die perfekte Reihenfolge für einen Roboter zum Falten eines Kartons ermittelt und dann die beste Reihenfolge basierend auf den spezifischen Einschränkungen des jeweiligen Roboters auswählt.

Hier ist die Vorgehensweise, unterteilt in einfache Schritte:

1. Der „Digitale Zwilling“ (Modellierung des Kartons)

Zuer Sie lehrt der Computer, den Pappkarton nicht als ein Stück Papier, sondern als ein mechanisches Spielzeug zu sehen.

Die Analogie: Betrachten Sie den Karton als eine Kette aus starren Stäben (die flachen Paneele), die durch Scharniere (die Falzkanten) verbunden sind.
Die Karte: Sie erstellten eine „Konnektivitätskarte“ (eine Matrix), die dem Computer sagt, welches Paneel mit welchem verbunden ist. Wenn man ein Paneel bewegt, weiß die Karte, welche anderen Paneele sich mitbewegen werden. Das ist so, als wüsste man, dass sich die Räder eines Koffers bewegen, wenn man am Griff zieht, der Griff sich aber nicht ablöst.

2. Der „Labyrinth-Löser“ (Finden der Sequenz)

Sobchen der Computer versteht, wie der Karton funktioniert, muss er einen Weg von „flach“ zu „gefaltet“ finden.

Die Analogie: Stellen Sie sich ein riesiges Labyrinth vor. Der Start ist der flache Karton, das Ziel ist der gefaltete Karton. Jedes Mal, wenn der Roboter ein Paneel faltet, macht er einen Schritt im Labyrinth.
Das Problem: Einige Pfade im Labyrinth führen in Sackgassen (Kollisionen). Wenn der Roboter die obere Klappe faltet, bevor er die Seiten klappt, könnte die Seite eingeklemmt werden.
Die Lösung: Die Forscher verwendeten einen „Backtracking“-Algorithtmus. Denken Sie an eine Maus in einem Labyrinth, die einen Pfad versucht. Wenn sie gegen eine Wand läuft, geht sie zum letzten Kreuzungspunkt zurück und probiert eine andere Abzweigung. Sie macht dies so lange, bis sie jede einzelne mögliche Route gefunden hat, die nicht gegen eine Wand stößt.

3. Der „Richter“ (Bewertung der Sequenzen)

Der Computer könnte 100 verschiedene Wege finden, den Karton zu falten, ohne zu kollidieren. Aber welchen sollte der Roboter tatsächlich nutzen? Hier wird die Arbeit innovativ. Sie erstellten eine „Bewertungskarte“, um die Routen basierend auf den realen Einschränkungen des Roboters zu ranken.

Sie verwendeten drei Hauptkriterien, um jeder Route eine Punktzahl zu geben:

Der „Kompaktheit“-Score (Volumen):
- Die Metapher: Stellen Sie sich vor, Sie versuchen, eine Decke zu falten, während Sie in einem winzigen Aufzug stehen. Sie wollen die Decke so klein wie möglich halten, damit sie nicht gegen die Wände stößt.
- Das Ziel: Der Computer berechnet, wie viel Platz der Karton bei jedem Schritt einnimmt. Er bevorzugt Sequenzen, die den Karton klein und ordentlich halten, um die Wahrscheinlichkeit zu verringern, dass er gegen etwas stößt.
Der „Erreichbarkeits“-Score (Maximale Dimension):
- Die Metapher: Stellen Sie sich einen Roboterarm vor, der nur 2 Fuß weit reichen kann. Wenn ein Faltvorgang erfordert, dass sich der Karton 3 Fuß breit ausdehnt, kann der Roboter dies nicht tun.
- Das Ziel: Der Computer prüft den breitesten Punkt des Kartons während des Faltens. Er wählt die Sequenz, die innerhalb der „Reichweite“ des Roboterarms bleibt.
Der „Stabilitäts“-Score (Luftfalten):
- Die Metapher: Stellen Sie sich vor, Sie halten ein Blatt Papier in der Luft und versuchen, es zu falten, ohne dass es den Tisch berührt. Es ist wackelig und schwer zu kontrollieren. Stellen Sie sich nun vor, Sie falten es, während es auf einem Tisch liegt. Es ist stabil und leicht zu handhaben.
- Das Ziel: Der Computer zählt, wie oft ein Paneel gefaltet werden muss, während es in der Luft schwebt (und nicht den Tisch berührt). Er mag diese „Luftfalten“ nicht, da sie instabil sind. Er wählt die Sequenz, bei der der Karton so viel wie möglich den Tisch berührt.

4. Der Praxistest (Die Fallstudie)

Die Forscher blieben nicht nur bei der Theorie. Sie bauten einen echten Aufbau:

Der Roboter: Ein ABB-Roboterarm mit einem speziellen Werkzeug, das über Saugnäpfe (wie kleine Staubsauger) verfügt, um die Pappe zu greifen.
Der Aufbau: Der Roboter arbeitet auf einem Tisch mit einigen Metallführungen und zusätzlichen Saugnäpfen, um den Karton stabil zu halten.
Das Ergebnis: Sie ließen ihren Algorithmus laufen, und dieser generierte über 100 mögliche Faltreihenfolgen.
- Der Computer bewertete sie.
- Die Top 5 sahen auf dem Papier gut aus, aber als sie versuchten, sie auszuführen, konnte der Roboter die Startpunkte nicht erreichen.
- Die sechste bewertete Sequenz war der Gewinner. Sie passte perfekt in die Reichweite des Roboters und hielt den Karton stabil. Der Roboter faltete den Karton erfolgreich von flach zu gebrauchsfertig.

Das Fazremit

Diese Arbeit schließt die Lücke zwischen „theoretischer Mathematik“ (wie ein Karton theoretisch gefaltet werden könnte) und „praktischer Ingenieurskunst“ (wie ein spezifischer Roboter ihn falten kann).

Anstatt nur einen Weg zu finden, einen Karton zu falten, haben sie ein System entwickelt, das alle sicheren Wege findet und dann wie ein intelligenter Coach agiert, um den besten Weg basierend auf der Größe, der Kraft und den Stabilitätsanforderungen des Roboters auszuwählen. Dies bedeutet, dass Fabriken verschiedene Karton-Designs austauschen können, ohne den Roboter von Grund auf neu programmieren zu müssen; der Computer berechnet den neuen besten Pfad automatisch.

Technische Zusammenfassung: Automatisierung der Kartonfaltung: Methoden zur Sequenzextraktion und -bewertung

Problemstellung
Die vorliegende Arbeit befasst sich mit der Herausforderung, den Prozess der Kartonfaltung innerhalb industrieller Verpackungssysteme zu automatisieren. Während bereits umfangreiche Forschung zur Optimierung der Raumfüllung und Paketstabilität existiert, bleibt die spezifische Aufgabe, wie ein Karton zu falten ist, untererforscht. Die bestehende Literatur teilt sich typischerweise in zwei Extreme auf: theoretische Ansätze, die alle möglichen Faltsequenzen ohne Berücksichtigung von Hardwarebeschränkungen ableiten, und hardwarespezifische Lösungen, die auf bestimmte Kartontypen zugeschnitten sind, jedoch mangelnde Flexibilität aufweisen. Diese Arbeit versucht, diese Lücke zu schließen, indem sie einen systematischen Rahmen schafft, der für jedes Karton-Design durchführbare Faltsequenzen identifiziert und gleichzeitig deren Implementierbarkeit auf einer spezifischen Roboter-Hardware bewertet.

Methodik
Der vorgeschlagene Ansatz ist eine dreiphasige Methodik, die darauf ausgelegt ist, einen flachen Karton von einem Anfangszustand ( $S_0$ ) in eine Endkonfiguration ( $S_f$ ) zu überführen:

Kartonmodellierung und Generierung der Konnektivitätsmatrix:
Der Karton wird als kinematischer Mechanismus modelliert, bei dem die Paneele als starre Glieder und die Falte als Drehgelenke fungieren. Das System nutzt eine Konnektivitätsmatrix ( $C$ ), um die Adjazenz und hierarchische Abhängigkeiten (Eltern-Kind-Beziehungen) zwischen den Paneelen zu kodieren. Der Zustand des Kartons wird durch den Gelenkwinkelvektor ( $\theta$ ) und die Konnektivitätsmatrix definiert, die dynamisch als zusammenhängender Graph ( $G_t$ ) dargestellt werden. Physikalische Eigenschaften, einschließlich der Paneeldimensionen und der geometrischen Schwerpunkte, werden einbezogen, um präzise räumliche Berechnungen zu ermöglichen.
Identifizierung der Faltsequenz:
Der Faltprozess wird als eine Sequenz diskreter Aktionen behandelt, bei denen in jedem Schritt nur ein Gelenk von seinem Anfangswinkel auf seinen Endwinkel rotiert wird. Das System verwendet eine Entscheidungsbaum-Repräsentation, die mittels eines Backtracking-Algorithmus (Tiefensuche) exploriert wird. Eine Kollisionsprüffunktion ($CC$) validiert jede inkrementelle Rotation. Eine Sequenz wird nur dann aufgezeichnet, wenn sie den Karton von $S_0$ nach $S_f$ überführt, ohne geometrische Randbedingungen zu verletzen oder Kollisionen zu verursachen. Diese Phase generiert eine Menge aller theoretisch machbaren Sequenzen ( $\sigma_1, \dots, \sigma_q$ ), unabhängig von einer spezifischen Hardware.
Bewertungskriterien für das Ranking:
Um die Lücke zwischen theoretischer Machbarkeit und praktischer Implementierung zu schließen, führen die Autoren spezifische Kostenfunktionen ein, um die identifizierten Sequenzen basierend auf der Hardwarekompatibilität zu bewerten:

Bounding-Box-Volumen-Kriterium ( $C_{vol}$ ): Minimiert das kumulative räumliche Volumen, das der Karton während des Faltprozesses einnimmt, um Kompaktheit zu fördern.
Bounding-Box-Maximale-Dimension-Kriterium ( $C_{dim}$ ): Minimiert die größte einzelne Dimension der Bounding-Box zu jedem Zeitpunkt, um die Kompatibilität mit den Arbeitsraumbeschränkungen des Roboters zu gewährleisten.
Anzahl der Luftfaltungen-Kriterium ( $C_{aerial}$ ): Zählt die Faltungen, die ohne Unterstützung durch die Werkbank durchgeführt werden („Luftfaltungen“). Die Minimierung dieses Kriteriums verbessert die Stabilität und Reproduzierbarkeit, insbesondere bei Systemen ohne externes Sichtfeedback.

Zentrale Beiträge

Generalisierte Sequenzextraktion: Die Arbeit schlägt einen Algorithmus vor, der alle machbaren Faltsequenzen für jedes Karton-Design generiert, ohne auf eine spezifische Hardware zugeschnitten zu sein, und geht damit über die Grenzen von fixture-basierten oder rein theoretischen Modellen hinaus.
Hardware-bewusstes Ranking: Ein neuartiger Beitrag ist die Einführung von Bewertungskriterien, die Sequenzen basierend auf den Beschränkungen der verfügbaren Automationshardware (z. B. Roboterreichweite, Stabilitätsanforderungen) ranken.
Systematischer Rahmen: Die Arbeit bietet eine vollständige Pipeline vom kinematischen Modell bis zur Auswahl eines spezifischen, implementierbaren Faltpfades.

Ergebnisse und Fallstudie
Die Methodik wurde durch eine Fallstudie mit einem kollaborativen Roboter des Typs ABB GoFa CRB 15000 validiert, der mit einem kundenspezifischen Werkzeug ausgestattet war, das über Saugnäpfe und Federmechanismen verfügt. Der Aufbau umfasste eine Werkbank mit Aluminiumprofilen und L-förmigen Stützen, um die Paneele während des Faltens zu stabilisieren.

Simulation: Das System wurde in Unity implementiert, um komplexe 3D-Kollisionserkennung und kinematische Modellierung zu handhaben.
Sequenzauswahl: Der Algorithmus generierte über 100 gültige Sequenzen. Unter Verwendung der vorgeschlagenen Metriken wurden die Sequenzen primär durch Minimierung der Luftfaltungen und sekundär durch Minimierung der maximalen Kartondimensionen gerankt.
Validierung: Die am höchsten bewerteten Sequenzen wurden gegen die physischen Beschränkungen des Roboters getestet. Die ersten fünf Sequenzen wurden als unpraktikabel eingestuft, da ihre anfänglichen Faltpunkte den Arbeitsraum des Roboters überschritten. Die sechste Sequenz hingegen erfüllte alle Anforderungen und wurde erfolgreich ausgeführt, wobei sie einen flachen Karton in eine stabile Struktur transformierte, die bereit für die Objekteinsetzung war.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Arbeit eine flexible und effiziente Lösung bietet, die eine spezifische Lücke in der Literatur adressiert: das Fehlen einer Methode, die sowohl alle möglichen Faltpfade identifiziert als auch diese gegen reale Hardwarebeschränkungen evaluiert. Durch die Generalisierung des Prozesses für jedes Karton-Design und die Einführung von Metriken zur Priorisierung von Stabilität und Arbeitsraumkompatibilität bietet die Forschung einen systematischen Rahmen für die industrielle Implementierung. Die Arbeit schließt bescheiden mit dem Hinweis, dass die Fallstudie zwar die Machbarkeit demonstriert, jedoch weitere statistische Validierungen über mehrere Kartontypen hinweg erforderlich sind, um umfassend zu belegen, dass die Methode stets machbare Lösungen in weniger Versuchen identifiziert.

1. Der „Digitale Zwilling“ (Modellierung des Kartons)

2. Der „Labyrinth-Löser“ (Finden der Sequenz)

3. Der „Richter“ (Bewertung der Sequenzen)

4. Der Praxistest (Die Fallstudie)

Das Fazremit

Mehr davon