Stellen Sie sich eine Welt vor, in der Roboter wie unglaublich talentierte, aber sture Köche sind. Sie können eine Million identische Karotten mit perfekter Geschwindigkeit schneiden, aber wenn man ihnen eine seltsam geformte Kartoffel reicht, die sie noch nie gesehen haben, erstarren sie. Warum? Weil ihre „Augen“ und „Gehirne“ nur auf Karotten trainiert wurden. Um sie über die Kartoffel zu lehren, müsste man tausende Fotos von ihr machen, jedes einzelne Foto von Hand beschriften und das Gehirn des Roboters neu trainieren – ein Prozess, der ewig dauert und ein Vermögen kostet. Dies ist der aktuelle Flaschenhals in der Welt der Fabrikautomatisierung: Roboter sind großartig darin, dieselbe Sache immer und immer wieder zu tun, aber schrecklich darin, sich an neue, unordentliche oder einzigartige Gegenstände anzupassen.

Um dies zu lösen, suchen Wissenschaftler nach einer neuen Art von „Sehen“, die nicht von Grund auf neu gelernt werden muss. Denken Sie an einen superintelligenten Bibliothekar, der jedes Buch im Universum gelesen hat. Wenn Sie diesem Bibliothekar das Bild einer neuen, seltsamen Frucht zeigen, muss er sie nicht wochenlang studieren; er kann sie sofort erkennen, weil er bereits das allgemeine Konzept von „Frucht“, „Textur“ und „Form“ versteht. Dieses Paper vertieft sich in eine Technologie namens 6D-Pose-Estimation, was nur eine schicke Art zu sagen ist: „genau herauszufinden, wo sich ein Objekt im 3D-Raum befindet und in welche Richtung es zeigt“. Das Ziel ist es, Roboter in die Lage zu versetzen, neue Objekte sofort zu greifen, ohne die langen, langweiligen Trainingssitzungen, was Fabriken flexibel genug macht, um eine „High-Mix, Low-Volume“-Welt zu bewältigen, in der jeder Artikel anders sein kann.

Treffen Sie xperception: Den Roboter, der das Handbuch liest, nicht die Fotos

Treffen Sie xperception, ein neues Werkzeug, das von Forschern der Fondazione Bruno Kessler in Italien entwickelt wurde. Betrachten Sie xperception als die „Sofort-Lesen“-Superkraft eines Roboters. Anstatt den Roboter zu zwingen, tausende Fotos eines neuen Objekts anzustarren, um zu lernen, wie es aussieht, sagt xperception: „Gib mir einfach den Bauplan.“

In alten Zeiten mussten Fabriken, wenn sie wollten, dass ein Roboter eine neue Art von Schraube aufhebt, hunderte Bilder dieser Schraube aus jedem Winkel aufnehmen, sie beschriften und ein neuronales Netzwerk trainieren. Es war, als würde man einem Hund beibringen, einen spezifischen Ball zu apportieren, indem man genau diesen Ball tausendfach wirft. xperception dreht das Blatt um. Es nutzt das 3D-CAD-Modell des Objekts (den digitalen Bauplan, den Ingenieure zur Konstruktion des Teils verwenden) und kombelt es mit einem „Foundation Model“ – einem massiven, vortrainierten KI-Gehirn, das die visuelle Welt bereits versteht.

So geschieht die Magie: Stellen Sie sich vor, Sie haben einen Haufen gemischter Spielzeuge auf dem Boden liegen. Ein traditioneller Roboter könnte verwirrt sein. Aber xperception betrachtet den Haufen und extrahiert unter Verwendung seines vortrainierten Gehirns punktweise Merkmale (point-level features) aus den visuellen Daten. Es gleicht diese Merkmale dann mit den entsprechenden Merkmalen des digitalen Bauplans (CAD-Modell) ab, um eine Punktwolken-Registrierung (point cloud registration) durchzuführen. Es muss dieses spezifische Spielzeug nicht zuvor gesehen haben; es benötigt nur den Bauplan und die Fähigkeit, die visuellen Punkte mit der Geometrie des Modells abzugleichen. Es berechnet dann die 6D-Pose, was eine schicke Art zu sagen ist: Es findet genau heraus, wo das Spielzeug ist (links, rechts, oben, unten, vorne, hinten) und wie es geneigt ist (Rollen, Nicken, Gieren). Es ist, als hätte der Roboter plötzlich ein GPS und einen Kompass für jedes einzelne Objekt, das er sieht, und bestimmt den Standort auf den Millimeter genau.

Warum das wichtig ist: Das „Bin Picking“-Problem

Der wahre Test für diese Technologie ist ein klassischer industrieller Albtraum namens „Bin Picking“. Stellen Sie sich einen Behälter voller Teile vor, die wahllos hineingeschüttet wurden. Sie liegen übereinander gestapelt, verdecken Teile von sich selbst (Okklusion), und die Beleuchtung könnte seltsam sein. Ein Roboter muss hineingreifen, ein spezifisches Teil aufheben und genau wissen, wie er es halten muss, damit er es nicht fallen lässt oder die Behälterwand trifft.

Die Forscher testeten xperception auf eine sehr coole Weise auf der Fachmesse Automatica 2025. Sie stellten einen Roboter auf, um zufällig verstreute Stifte auf einem Tisch aufzuheben. Der Haken dabei? Der Roboter musste einen Stift aufheben, ihn in einen Laserdrucker legen und eine individuelle Nachricht darauf gravieren. Damit der Laser die richtige Stelle trifft, musste der Roboter die Orientierung des Stifts mit nahezu null Fehlern kennen. Wenn der Stift auch nur minimal geneigt war, würde die Nachricht schief werden.

Der Aufbau war unglaublich einfach. Das Team hat kein einziges Foto der Stifte gemacht oder den Robotertraining darauf durchgeführt. Sie haben einfach das digitale CAD-Modell des Stifts hochgeladen und die optimalen Greifpunkte direkt auf dem digitalen Modell definiert (illustriert durch die blauen Markierungen in der Abbildung des Papers). Als der Roboter startete, betrachtete xperception den unordentlichen Haufen Stifte, fand jeden einzelnen, berechnete exakt, wie er lag, und teilte dem Roboter mit, wo er zugreifen sollte. Der Roboter hob die Stifte erfolgreich auf und richtete sie perfekt für den Laser aus, obwohl die Stifte hintereinander verborgen waren und die Beleuchtung herausfordernd war.

Das Ergebnis: Schnell, flexibel und bereit für die reale Welt

Das Paper zeigt, dass xperception ein Game-Changer ist, weil es die „Trainingszeit“ eliminiert, die normalerweise Fabriken verlangsamt. Durch die Verwendung des FreeZe-Algorithmus (der kürzlich einen bedeutenden internationalen Wettbewerb namens BOP Challenge 2024 gewonnen hat) erreicht das System eine Genauigkeit im Millimeterbereich. Das bedeutet, der Roboter ist präzise genug für feinfühlige Aufgaben.

Noch besser: Dies ist nicht nur ein Laborexperiment. Die Forscher haben bewiesen, dass es auf industrieller Edge-Hardware funktioniert, wobei sie speziell den NVIDIA Jetson Thor erwähnen, einen leistungsstarken Computerchip, der direkt am Roboterarm sitzen kann. Das bedeutet, das „Gehirn“ muss nicht in einem riesigen Serverfarm weit weg sein; es kann direkt dort, wo die Arbeit stattfindet, sofort denken und reagieren.

Die Autoren sind zuversichtlich, dass dieser Ansatz bereit für die reale Welt ist, da er ein Technology Readiness Level (TRL) von 6 erreicht hat. In der Welt des Ingenieurwesens bedeutet dies, dass die Technologie in einer relevanten Umgebung getestet wurde und sehr nah an einem kommerziellen Produkt ist. Sie schlagen nicht nur vor, dass es vielleicht funktionieren könnte; sie haben gezeigt, wie es auf echter Hardware mit echten Objekten funktioniert.

Das Fazit

xperception löst das Problem der Starrheit von Robotern. Es argumentiert, dass wir Roboter nicht für jedes neue Objekt, dem sie begegnen, neu trainieren müssen. Stattdessen können Roboter, indem sie den digitalen Bauplan eines Objekts und eine intelligente, vortrainierte KI nutzen, die visuelle Punkte mit der Geometrie abgleicht, flexibel genug werden, um die unordentliche, unvorhersehbare Realität der modernen Fertigung zu bewältigen. Es verwandelt die komplexe Aufgabe, „herauszufinden, wie man dieses seltsame neue Ding greift“, in ein einfaches „Plug-and-Play“-Software-Update und ebnet den Weg für Fabriken, die in einem Augenblick von der Herstellung eines Produkts zum nächsten wechseln können.