Teaching Industry 4.0: An Open-Source Framework for Cooperative Robotics in the Learning Factory

Moderne Fabriken verändern sich. Sie werden zu Orten, an denen Maschinen miteinander sprechen, eigene Entscheidungen treffen und sich ohne menschliche Fahrer bewegen. Dieser Wandel, der oft als die vierte industrielle Revolution bezeichnet wird, beruht auf drei Hauptideen, die zusammenwirken. Erstens gibt es „cyber-physische Systeme“, was schlichtweg bedeutet, dass physische Maschinen wie Roboter mit digitalen Gehirnen verbunden sind. Zweitens ermöglicht das „Internet der Dinge“ diesen Maschinen, Daten über ihren Status und ihre Umgebung über das Internet zu senden. Drittens hilft künstliche Intelligenz den Maschinen dabei, zu sehen und zu verstehen, was sie gerade betrachten. Für die Ingenieure der Zukunft ist das Erlernen, wie man diese sprechenden, denkenden Maschinen baut und verwaltet, nicht mehr optional; es ist essenziell. Das Lehren dieser komplexen Fähigkeiten in einem Klassenzimmer ist jedoch schwierig. Echte Fabrikroboter sind teuer, und die Software, die sie antreibt, ist oft zu kompliziert, damit Studenten mit ihr experimentieren können. Schulen benötigen einen Weg, um Schülern zu zeigen, wie diese verschiedenen Teile zusammenpassen, ohne das Budget zu sprengen.

Ein Forscherteam am Monterrey Institute of Technology and Higher Education in Mexiko hat eine Lösung für dieses Problem entwickelt. Sie haben ein funktionierendes Modell einer smarten Fabrikzelle geschaffen, die Studenten bauen, kaputtmachen und reparieren können. Dieses Projekt ist nicht nur eine Simulation auf einem Computerbildschirm; es ist ein physischer Aufbau, bei dem echte Roboter echte Objekte bewegen. Das Ziel war es zu beweisen, dass ein kostengünstiges Open-Source-System eine komplexe Aufgabe bewältigen kann: Gegenstände aufzuheben, ihre Farbe zu identifizieren und sie in verschiedene Behälter zu sortieren, während gleichzeitig eine digitale Aufzeichnung jeder Bewegung geführt wird. Die Forscher wollten sehen, ob eine solche praxisorientierte Arbeit tatsächlich Studenten dazu befähigen kann, Robotik, Internetkonnektivität und künstliche Intelligenz zu integrieren.

Das von ihnen gebaute System stützt sich auf zwei Hauptroboter, die in einem Team arbeiten. Einer ist ein mobiler Roboter, ein Omron LD-60 Autonomous Intelligent Vehicle (AIV), der selbstständig über den Boden fährt. Der andere ist ein stationärer kollaborativer Roboter, ein Omron TM5-900, der an einem Tisch steht. Um sie zusammenarbeiten zu lassen, verbanden die Forscher sie über ein Netzwerk, das wie ein Nervensystem fungiert und es den Robotern ermöglicht, Nachrichten sofort hin und her zu senden. Wenn der mobile Roboter am Tisch ankommt, hält er an und wartet. Der Roboterarm greift dann nach einem Block. Bevor der Arm den Block bewegt, macht eine Kamera ein Foto davon. Hier kommt die künstliche Intelligenz ins Spiel. Anstatt eine einfache, vorprogrammierte Regel zu verwenden, um die Farbe zu erraten, sendet das System das Bild an einen leistungsstarken, cloudbasierten KI-Dienst. Die KI betrachtet das Bild und sagt dem System genau, welche Farbe der Block hat.

Sobald die Farbe bekannt ist, trifft das System eine Entscheidung. Wenn der Block grün ist, wird der mobile Roboter angewiesen, zum grünen Wegpunkt zu fahren. Wenn er blau ist, fährt er zum blauen Wegpunkt. Der Roboterarm nimmt den Block auf und legt ihn auf den mobilen Roboter, welcher dann zum richtigen Standort fährt, um ihn abzusetzen. Während dieses gesamten Prozesses wird jede einzelne Aktion in einer Cloud-Datenbank protokolliert. Das bedeutet, dass jeder mit Internetzugang ein Live-Dashboard einsehen kann, das genau zeigt, wo sich die Roboter befinden, was sie tun und ob irgendwelche Fehler aufgetreten sind. Die Forscher entwarfen die Teile des Roboters, wie etwa den Greifer, der die Blöcke hält, mithilfe von 3D-Druckern, wodurch die Kosten für die Hardware sehr gering gehalten wurden. Sie stellten den gesamten Computercode und die Designpläne kostenlos zur Verfügung, damit andere Schulen den Aufbau exakt kopieren können.

Das Team testete dieses System streng. Sie ließen den Sortierprozess hundertmal hintereinander laufen, um zu sehen, wie oft er ohne Fehler funktionierte. Die Roboter absolvierten die Aufgabe zu neunundvierzig Prozent der Fälle erfolgreich. Wenn sie speziell untersuchten, wie gut die künstliche Intelligenz die Farben identifizierte, lag sie bei neunundvierzig Komma zwei Prozent korrekt. Das System war auch schnell; die Zeit, die die Roboter benötigten, um Nachrichten aneinander zu senden, wurde mit zweiunddreißig Millisekunden gemessen, was nur einem Bruchteil einer Sekunde entspricht. Die Forscher maßen auch, wie viel die Studenten lernten. Vor dem Projekt bewerteten die Studenten ihr Verständnis dieser Technologien auf einer Skala. Nachdem sie das System gebaut und betrieben hatten, stiegen ihr selbstberichtetes Vertrauen und ihr Wissen signifikant an.

Das Projekt offenbarte auch einige Einschränkungen, die für das zukünftige Lernen wichtig sind. Obwohl das System gut funktionierte, stellten die Forscher fest, dass die Abhängigkeit vom Internet für die KI-Bildverarbeitung ein Risiko darstellt. Wenn die Internetverbindung ausfällt, können die Roboter die Blöcke nicht „sehen“. Sie fanden auch heraus, dass die Zeit, die die KI zur Verarbeitung eines Bildes benötigte, etwa eins Komma acht Sekunden betrug, was für ein Klassenzimmer zwar schnell, für eine Hochgeschwindigkeitsfabrik jedoch möglicherweise zu langsam ist. Diese Probleme wurden nicht als Fehler gewertet, sondern als wertvolle Lektionen. Sie bieten ein konkretes Beispiel für Studenten, um darüber zu diskutieren, wie man Systeme zuverlässiger machen kann, beispielsweise durch das Hinzufügen von Backup-Systemen oder durch die lokale Verarbeitung von Daten auf dem Roboter anstelle der Cloud.

Diese Arbeit zeigt, dass es möglich ist, ein anspruchsvolles, kooperatives Robotiksystem zu bauen, das erschwinglich genug für einen Universitätskurs ist. Durch die Kombination eines selbstfahrenden Fahrzeugs, eines Roboterarms, cloudbasierter Intelligenz und eines digitalen Tracking-Systems haben die Forscher ein vollständiges Lernwerkzeug geschaffen. Das System erreichte eine Sortierzuverlässigkeit von achtundneunzig Prozent und eine Visionsgenauigkeit von vierundneunzig Komma zwei Prozent, was beweist, dass kostengünstige Komponenten komplexe industrielle Aufgaben bewältigen können. Viel wichtiger ist jedoch, dass es zeigte, dass Studenten ein viel tieferes Verständnis dafür gewinnen, wie die Fertigung der Zukunft tatsächlich funktionieren wird, wenn sie diese Systeme selbst bauen. Das Projekt bietet einen Bauplan für Schulen, um der nächsten Generation von Ingenieuren beizubringen, wie sie die smarten, vernetzten Fabriken von morgen managen.