KI in der Robotik: Produktivität steigern, Arbeitsplatzsorgen mindern

Die Rolle, die KI in der Robotik spielen wird, wird weitgehend durch Use Cases und die Lösung von Datenschutz- und Rechenfragen bestimmt.

KI und Robotik: Chancen und Fragen

Roboter können die Art, wie Unternehmen Geschäfte machen, verändern, indem sie viele Aufgaben automatisieren. Kombiniert mit KI-Technologie werden Roboter autonom. Doch diese Kombination wirft viele Fragen auf: Werden KI-gestützte Roboter Jobs eliminieren oder Arbeiter unterstützen und produktiver machen? Mit KI-Fähigkeiten wie Machine Vision entstehen auch Datenschutzfragen. Und dann die Herausforderung, wie man mit großen Datenmengen umgeht: Cloud oder Edge?

Um diese Themen, Use Cases und die Rolle des Edge besser zu verstehen, sprachen wir mit Joe Speed, CTO IoT Solutions and Technology bei ADLINK (Anbieter führender Edge-Computing-Lösungen für den Übergang zu vernetzten Industrial-IoT-Systemen) und Nick Fragale, Founder von Rover Robotics (entwickelt robuste, industrielle Roboter mit ROS, dem Robot Operating System).

Gibt es Bedenken beim KI-Einsatz?

RTInsights: Unternehmen scheinen zögerlich bei KI aufgrund verschiedener Ängste. Welche Bedenken hören Sie von potenziellen Nutzern zur KI-Adoption?

Speed: Die meisten Bedenken betreffen Datenschutzaspekte. Bei Gesichtserkennung und Massenüberwachung werden Menschen nervös. In unseren Fokusbereichen – Technologie in, an oder nahe Equipment, Prozessen, Arbeitszellen, Anlagen – sehe ich weniger Angst. Hier geht es um zuverlässigen Betrieb bestehender Prozesse, Machine Health, Effizienzsteigerung, Sicherheit bestehender Legacy-Systeme.

In vielen Anwendungen begegnen wir nicht den Privatsphärebedenken öffentlicher Überwachung. Systeme werden firmenintern genutzt. KI fokussiert auf Prozessverbesserung und Unterstützung der Arbeiter. Machine Learning für Computer Vision und Sensor Fusion (Kombination von Vision mit anderen Sensordaten/Telemetrie aus Legacy-Equipment) sind sehr gefragt.

Fragale: Unsere Kunden kommen aus Forschung und Akademie – sehr offen für KI. Durchschnittsalter ca. 30. Mit unserem neuen Produkt Rover AMR 100 für Logistik wird sich das ändern. Bisher keinen Widerstand gegen KI-Implementierung gesehen.

Wie wird KI in der Robotik eingesetzt?

RTInsights: Ein Interessengebiet ist Robotik. Wie wird KI dort genutzt?

Speed: Größter Bereich: Perzeption. Kameras – aber differenziert: Mono, Stereo, 3D-Tiefenkameras, sichtbares Spektrum oder Infrarot? Auch LIDAR (Light Detection and Ranging – gepulstes Laserlicht zur Entfernungsmessung). Wie Radar, aber mit Lasern. Man sieht keine Autos, sondern punktwolkenförmige Auto-Formen, dazu Doppler-Effekt für Bewegungsrichtung und -geschwindigkeit.

Auch Ultraschall und Radar. Bei autonomen Operationen spielen diese Entfernungsmess-Technologien eine Rolle. Bei 40-Pfund-Robotern autonom – aber bei 400 oder 4.000 Pfund wird es gefährlich. Wie schweres Gerät sicher, autonom betreiben ohne Personen- oder Sachschaden? Hier helfen andere Technologien.

Beispiel: Ultraschall für sehr nahe Bereiche ohne Kamerabdeckung. In Robotik zwei KI-Anwendungsbereiche, die sich verbinden: autonome mobile Roboter/Navigation (LIDAR, Radar, Ultraschall für: Wo bin ich? Wohin gehe ich? Wie vermeide ich Kollisionen?) und Roboter, die mit Umwelt interagieren (z. B. Industrieroboterarme, Bin-Picking). Mobile Roboter mit Aktuatoren/Greifern, die mit Umwelt interagieren – das ist das gesamte Feld KI/Machine Learning.

Siehe auch: Warum Edge Computing IoT zum vollen Potenzial verhelfen kann

Fragale: Ähnliche Perspektive. Hauptanwendung: Kameras, Analyse von Kameradaten, speziell Inspektionen. Jedes Unternehmen, das kontinuierlich überwachen will, kann das nutzen. Beispiel: Ölfirma überwacht Rohre auf Rost 24/7 per mobilem Roboter. Oder Lagerhaus: RFID-Tags prüfen für Inventur. Alles, was in der Anlage inspiziert werden soll, geht jetzt mit Roboter und Kamera.

Welche Branchen nutzen KI und Robotik?

RTInsights: Gibt es Branchen (Fertigung, Logistik, Altenpflege, Kundenservice), wo KI und Robotik schon eingesetzt werden?

Fragale: Größte Branchen: Logistik, Fertigung, Bau. Im Bauwesen versuchen viele, jährlich verlorene Gelder durch Ineffizienzen zurückzugewinnen. Beispiel: Sicherstellen, dass alle Rohre, Sprinkler, Sicherheitsausrüstung *vor* Betonguss installiert sind – bei vielen Subunternehmern oft problematisch. Roboter, die Baustelle absuchen nach kritischen Elementen, können viel Kosten retten.

Speed: Ja, Inspektion ist groß. Wir haben 400.000 Kameras an Vision-Systemen im Feld für dies und andere Use Cases. Spannend: Statt fester Kameras am Fließband – Roboter bringt Kamera zum Inspektionsobjekt. Baustellen-Beispiel: Mobile Roboter inspizieren, prüfen Luftkanäle, Terminstatus. Einzelhandel: Roboter prüft physischen Bestand, vergleicht mit Lagerlogistiksystemen. Da sind wir „all in“ mit Open Robotics.

Robotik heißt heute pretty much R-O-S (Robot Operating System) – Open-Source-Framework für Robotik-Entwicklung. Wir arbeiten damit und tragen bei. Kombiniert mit KI-Vision (stark Open Source) – spannende Zeiten.

Top robotergestützte Funktionen

RTInsights: Welche robotergestützten Funktionen werden über alle Anwendungsbereiche ausgeführt?

Speed: Viele denken: Ersetzt das Arbeiter? Aber viele Use Cases helfen Arbeitern statt sie zu ersetzen. Collaborative Robots (Cobots) – Roboter arbeiten mit Menschen zusammen. Beispiel Rover: Arbeiter muss herumlaufen (z. B. Farm). Rover als autonomer Schubkarren, der folgt und immer da ist mit dem, was der Arbeiter braucht. Roboter hält Stück fest, während Mensch Aufgabe macht. Assistive Technologie für ältere/behinderte Menschen – großes Potenzial für Sensing und Interaktion.

Siehe auch: Warum IoT in praktischen Geschäftsanwendungen noch hinkt

Fragale: Zwei Kategorien: Roboter transportiert Güter (Lager, Farm) oder Roboter trägt Sensoren und sammelt Daten. Das sind die größten Funktionen.

Edge Computing und KI: Das perfekte Paar?

RTInsights: Solche Systeme generieren große Datenmengen aus vielen Sensoren/IoT-Geräten. Mit Bedarf an schneller Analyse – ist das der perfekte Sturm für Edge Computing und KI zusammen?

Speed: Definitiv. AWS spricht vom „Law of Physics“: Schafft man die Datenvolumen in die Cloud? Law of Economics: Ökonomisch vertretbar? Bei Mobile Operators, die pro Byte abrechnen, oft nicht. Selbst mit Bandbreite: Ökonomisch bei solchen Datenvolumen? Universitätsstudie: Video/Audio-Processing-Workloads mit AWS-Technologien – Cloud vs. Edge. AWS IoT Greengrass (ML-Analyse mit Cloud-modellen): Ökonomie 8x besser am Edge. Noch wichtiger: Latenz. Oft braucht man Entscheidung *jetzt*. Video in Cloud, Analyse, Entscheidung zurück – zu spät. Verletzung, Geräteschaden, Brand.

Auch „Law of the Land“: Modelle in Cloud trainieren (rechenintensiv, in Stunde statt Tag am Edge). Aber bei Datenanalyse: Privatsphäre, PII, Gesichtserkennung. In Fabrik kennt man Arbeiter. Doch Rohdaten können Sensitivitätsprobleme haben – rechtliche, gesellschaftliche, kulturelle Hürden, Daten aus Arbeitsplatz zu entfernen. Edge löst das elegant.

Fragale: Datenexplosion, die schnelle Analyse braucht, ist perfekter Sturm für Edge. Viele Kunden begeistert von Cloud für Robotik: „Wenn ich 4K Netflix streamen kann, geht auch Videodaten-Stream zur Cloud.“ Übersehen: Roboter roamt, springt zwischen Access Points. Kunden rennen monatelang gegen diese Wand, wechseln dann zu Edge. Selbst im Lager: Access-Point-Wechsel, Verbindungsverluste.

Siehe auch: Center for Edge Computing

Dann: „Kunde, du brauchst bessere Router, 802.11ac-kompatibel.“ – „Was bedeuten diese Zahlen?“ – „Vergiss es, wir packen mehr Compute auf den Roboter.“ Draußen wird es schlimmer. Sicherheitskritische Roboter draußen: Bilder zur Cloud und zurück für Stop-Entscheidung vor Straße? Latenz zu hoch.

Speed: Cloud ist wichtig, aber anders als viele denken. Wenn Analytics/ML am Edge läuft, braucht man keine großen Datenmengen in Cloud. Eliminiert Latenz. Ölbohrinsel Alaska: Bär gesehen – statt Video senden: „Da ist ein Bär.“ Stream Information, Output der Analytics. Systeme müssen zuverlässig sein: usually connected, often connected, occasionally connected. Annahme: unzuverlässiges Netzwerk. Wenn es dort funktioniert, okay. Aber pristine Connectivity mit SLA-Latenzen nötig, sonst Probleme in Real World.