ALIGMO

Active Learning for Intelligent Grasping of Multiple Objects

Motivation

Industrie-Roboterarm an einer Montageplattform mit Roboterhand und Materialschale IFL
Roboterzelle zur Evaluation der entwickelten KI-Methoden

In der robotergestützten Intralogistik besteht weiterhin ein erheblicher Bedarf an Greiflösungen, die auch unter variierenden Randbedingungen—etwa wechselnder Sensorik, unterschiedlichen Greifern sowie dynamischen Objektportfolios—zuverlässig funktionieren. Viele etablierte Systeme sind stark an spezifische Hardware- und Umgebungsparameter gebunden und erfordern bei Änderungen in Sortiment oder Prozessumgebung aufwendige Re-Konfigurationen sowie zusätzliche Datenerhebung. Das Projekt ALIGMO adressiert diese Herausforderung durch die Entwicklung einer hardwareunabhängigen KI-Software für das Greifen unbekannter Objekte, die sich mit minimalem Zusatzaufwand an neue Domänen adaptieren lässt.

Das Vorhaben wird in enger Kooperation zwischen dem Institut für Fördertechnik und Logistiksysteme (IFL) am Karlsruher Institut für Technologie (KIT) und der voraus robotik GmbH umgesetzt. Als praxisnahes Entwicklungs- und Validierungsumfeld wird gemeinsam eine Roboterzelle aufgebaut, in der ein Roboter auf Basis des vorauscore integriert wird. Dieser Demonstrator ermöglicht die iterative Evaluation der entwickelten KI-Methoden unter realitätsnahen Bedingungen und bildet die Schnittstelle zwischen algorithmischer Forschung (IFL) und systemnaher Integration (voraus robotik GmbH).

Ziele

Ziel von ALIGMO ist die Realisierung einer skalierbaren, hardwareunabhängigen KI-Software zur Objekt- und Greifpunkterkennung für unbekannte Objekte, die sich durch Aktives Lernen effizient an neue Artikel, Umgebungen und Sensorsysteme anpassen kann. Die Umsetzung erfolgt schrittweise entlang klar definierter Funktionsstufen:

  1. Single-Shot–Single-Pick: Entwicklung einer leistungsfähigen Objekt- und Greifpunkterkennung aus einer einzelnen Bildaufnahme als Grundlage robuster Einzelpick-Prozesse.
  2. Active-Learning-Erweiterung: Integration von Active-Learning-Mechanismen zur dateneffizienten Modellaktualisierung und Domänenanpassung im laufenden Betrieb, um den Bedarf an manueller Annotation zu minimieren.
  3. Single-Shot–Multi-Pick: Erweiterung auf die Planung mehrerer Greifvorgänge aus einer einzigen Aufnahme, inklusive robuster Handhabung von Verdeckungen und der Ableitung einer prozesslogisch sinnvollen Greifsequenz.

Die gemeinsam aufgebaute Robotikzelle (Roboter + vorauscore) dient dabei als durchgängige Demonstrations- und Integrationsplattform, um die entwickelten Verfahren experimentell zu verifizieren und ihre Übertragbarkeit auf industrielle Anwendungen systematisch nachzuweisen.