KI-gestütztes Paket- & Sendungssortiersystem: Effizienz steigern & Arbeitsaufwand reduzieren

Die manuelle Vereinzelung riesiger Paket- und Briefstapel, gefolgt von Sortierung und Platzierung auf einem Förderband, stellt eine große Herausforderung dar – besonders in Spitzenzeiten. Die Automatisierung dieses Prozesses kann die Produktivität erhöhen, Kosten und Zeit sparen sowie Verletzungen reduzieren. Ein robotergestütztes Vereinzelungs- und Sortiersystem, das von künstlicher Intelligenz angetrieben wird, wird für Logistikunternehmen, die mit den stetig wachsenden E-Commerce-Anforderungen Schritt halten wollen, zur Notwendigkeit.

Manuelle Vereinzelung – ein Relikt der Vergangenheit?

Paketströme unterliegen im Jahresverlauf starken Schwankungen, mit typischen Spitzen rund um den Black Friday und die Weihnachtszeit. Globale Paketvolumen wachsen generell um bis zu 25 % pro Jahr.

Der COVID-19-Ausbruch hat auch die pünktliche Auftragsabwicklung auf die Probe gestellt. Die beschleunigte Verlagerung auf den E-Commerce hat die Nachfrage nach Kapazitäten erhöht. Dies führt wiederum zu höheren Betriebskosten – nicht nur durch die Einstellung zusätzlicher Mitarbeiter, sondern auch durch den Rekrutierungsprozess selbst. Zeiträume, die normalerweise als umsatzstärkste und profitabelste gelten, werden so zu den schwierigsten.

Neben Durchsatzanforderungen und Nachfragespitzen sind Gesundheit und Zufriedenheit der Mitarbeiter Herausforderungen bei manueller Vereinzelung und Sortierung. Beschäftigte leiden unter Langeweile durch repetitive Aufgaben sowie Verletzungen durch das Heben unregelmäßiger, schwerer Gegenstände. Dies kann zu Entschädigungszahlungen und sinkender Produktivität führen.

Bildverarbeitung und Robotik als Rettung

Diese Herausforderungen lassen sich durch die Automatisierung von Vereinzelung und Sortierung bewältigen, was Kosten planbarer macht und Skalierbarkeit für Nachfragespitzen bietet.

Die fortschrittlichste Automatisierung kombiniert heute 3D-Maschinensicht, KI-Algorithmen und Kompatibilität mit führenden Roboterherstellern. Auch die Qualität und der Erfolg eines bestimmten Pick-and-Place-Systems lassen sich messen. Sehen wir uns konkrete Beispiele an: Wie profitiert ein Unternehmen von einem automatisierten System, wenn es große, unstrukturierte Paketmengen vereinzeln und sortieren muss?

So integriert Photoneo hausintern entwickelte 3D-Maschinensicht mit Algorithmen, die Roboter befähigen, mehr als 2.250 Pakete pro Stunde zu greifen. Das Vision-System liefert präzise 3D-Daten und ermöglicht eine exakte Lokalisierung, die zu einer Greifgenauigkeit von ±3 mm führt.

Das Photoneo-Vereinzelungs- und Sortiersystem basiert auf einem vortrainierten neuronalen Netzwerk, das Pakete out-of-the-box erkennt – ohne Training –, für eine Greiferfolgsquote von 95 %.

Die verbleibenden 5 % resultieren aus den mechanischen Eigenschaften und dem Material der Pakete. Objekte mit gefalteter Oberfläche oder aus Stoff können beispielsweise vom Greifer rutschen und müssen erneut gegriffen werden. Laut Photoneo gelingt dies beim zweiten Versuch immer erfolgreich. Das System erreicht eine Zykluszeit von unter 1,5 Sekunden und ist mit verschiedenen Roboterherstellern kompatibel.

Single-Scan- versus Multi-Pick-Modus

Die Leistungsgeschwindigkeit hängt vom gewählten Scanmodus ab. Im Single-Scan-Modus wird ein Scan durchgeführt, die Daten verarbeitet, ein Objekt lokalisiert und der Roboter zum Greifen angewiesen. Dieser Vorgang wiederholt sich für jedes Objekt. Die Verarbeitungsverzögerung beträgtgenerally nicht mehr als 0,5 Sekunden.

Eine Alternative ist der Multi-Pick-Modus: Der Scanner/die Kamera macht einen Scan, das System erkennt alle greifbaren Objekte, und der Roboter greift sie nacheinander ohne Unterbrechung. Die Anzahl der Scans lässt sich an die jeweilige Anwendung anpassen. Da im Multi-Pick-Modus keine Verarbeitungsverzögerung auftritt, ist die Leistung schneller, und die Zykluszeit wird nur durch die Roboter-Geschwindigkeit begrenzt.

Vision und Intelligenz

Die Qualität der 3D-Daten bestimmt den Erfolg einer automatisierten Vereinzelungs- und Sortierlösung. Selbst das intelligenteste System liefert ohne gute 3D-Daten nutzlose Ergebnisse. Eine gute 3D-Kamera muss hohe Auflösung und Genauigkeit, großen Scanvolumen und Tiefenschärfe sowie hohe Scangeschwindigkeit bieten.

Weitere wichtige Faktoren sind die Unterdrückung von Umgebungslicht und „Plug-and-Play“-Leistung. Bietet die eingesetzte 3D-Kamera all diese Merkmale, erhält das System ausreichend Daten, damit die KI sie verarbeiten und jedes Objekt erfolgreich lokalisieren kann.

Der modernste Ansatz für KI-gestützte Segmentierung und Lokalisierung von Paketen ist die Verwendung von Convolutional Neural Networks (CNNs), die in den letzten Jahren enorme Fortschritte gemacht haben. Diese Netzwerke erkennen Pakete, Umschläge und sogar Beutel beliebiger Form, Textur und Material sowie deren Abmessungen, Position und Orientierung.

Die besten Lösungen basieren auf Algorithmen, die mit riesigen Objektdatenbanken trainiert wurden und daher neue, nie gesehene Objekttypen leicht und schnell verallgemeinern und erkennen können. Falten, Verformungen und andere Unregelmäßigkeiten stellen kein Hindernis für schnelle Erkennung dar.

Nach erfolgreicher Erkennung und Lokalisierung erhält der Roboter den Befehl, ein bestimmtes Objekt zu greifen und an einem vordefinierten Ort abzulegen – beispielsweise auf ein Förderband.

Hauptforderungen bei der Vereinzelung

Entwickler robotergestützter Vereinzelungssysteme sehen sich zahlreichen Herausforderungen gegenüber. Ein großes Problem für 3D-Vision stellen Oberflächen dar, die glänzend oder reflektierend sind, Muster und Bilder enthalten oder schwarz sind. Auch Variationen in der Textur bereiten Schwierigkeiten. Pakete liegen meist unstrukturiert übereinander, was ihre Lokalisierung erschwert.

Eine der größten Herausforderungen liegt in der Natur von Beuteln: Ihre Form ist verformt, voller Falten und Knitter, was es für einen Robotergreifer extrem schwierig macht, sie zu greifen. Deshalb ist die Kombination von hochwertiger 3D-Vision mit fortschrittlichen, anspruchsvollen KI-Algorithmen essenziell – nur dieses leistungsstarke Duo kann all diese Herausforderungen zuverlässig meistern.

Erweiterung des Anwendungsbereichs

Der Einsatz einer KI-gestützten Automatisierungslösung endet nicht bei der einfachen Vereinzelung und Sortierung von Paketen. Wenn eine 3D-Kamera bewegte Szenen in hoher Qualität und Geschwindigkeit scannen kann, lassen sich Pakete on-the-fly vermessen und anhand ihrer Größe oder anderer Kriterien sortieren.

So erreicht die Photoneo MotionCam-3D, die Objekte mit bis zu 40 m/s erfassen kann, eine Messgenauigkeit von 1 cm und liefert eine Tiefenkarten-Auflösung von ~2 Mpx und 15 Millionen 3D-Punkten pro Sekunde.

Systeme, die KI und 3D-Maschinensicht kombinieren, können auch zum Entfalten oder Auspacken geknickter Umschläge und Pakete eingesetzt werden – und virtuell geometrische Transformationen durchführen –, um die Lesbarkeit für OCR bei der Weiterverarbeitung zu verbessern. Einige dieser Systeme ermöglichen zudem die Sortierung von Paketen basierend auf Barcodes.

Die möglichen Anwendungen und Fähigkeiten dieser Systeme entwickeln und erweitern sich mit den Fortschritten in KI und Maschinensicht, aber auch mit Marktanforderungen, die die Entwicklungsrichtung vorgeben.

Robotergestützte Vereinzelung erhöht Sicherheit, Produktivität und Zuverlässigkeit und senkt Kosten erheblich. Automatisierung ist zu einem entscheidenden Werkzeug geworden, um Prozesse in der Logistik zu optimieren. Lager und Verteilzentren kämpften mit der Mitarbeiterbindung, während sie enorme Paketmengen um die Feiertage und nun durch E-Commerce während der COVID-19-Pandemie bewältigen mussten. Der Einsatz von vision-gesteuerten, intelligenten Robotern für die Vereinzelung und Sortierung riesiger, unstrukturierter Paketströme ist der Weg, diesen Herausforderungen zu begegnen.

Dieser Artikel wurde ursprünglich in The Robot Report unter dem Titel: „How singulation and sorting of parcels can benefit from AI-powered robots“ veröffentlicht.