Reinforcement Learning als Lösungsansatz für den Griff-in-die-Kiste im Zeitalter von wandlungsfähigen Produktionssystemen

Die chaotische Bevorratung von Einzelteilen stellt eine besondere Herausforderung für die automatisierte Herstellung elektrotechnischer Komponenten dar. Insbesondere das Segment der kleinen bis mittleren Produktionsvolumen ist heute noch von manueller Arbeit geprägt. Vor diesem Hintergrund zeigt dieser Beitrag einen Lösungsansatz für den robotischen "Griffin-die-Kiste" am Beispiel der Reihenklemmenfertigung bei Weidmüller auf. Zuerst erfolgt die Analyse des aktuellen Technikstandes resultierend in der methodischen Lücke. Anschließend wird das Bestärkungslernen als Lösungsansatz identifiziert und die Simulationssoftware "Isaac Sim" als Trainingsumgebung ausgewählt, in der das Robotersystem modelliert wird. Ziel dieser Arbeit ist es, ein universelles und robustes Verhalten des Robotersystems durch die zielgerichtete Variation der Trainingszustände zu generieren. Zusätzlich findet die Integration von Kontextwissen statt, um die Trainingsdauer des neuronalen Netzes zu minimieren.

Chaotically stored objects constitute a tremendous challenge in the automated production of electrotechnical components. Especially the manufacturing of low and medium batch sizes is dominated by manual labor until now. A robotic bin picking approach is stated in this work and is illustrated by the production process of terminal blocks at Weidmueller. First, related work is presented and the research issue is derived. Consequently, a reinforcement learning loop is chosen as an approach for this work. Subsequently, the robot system is modeled in the simulation software ‘Isaac Sim’, serving as a virtual training environment in the next step. The goal of this work is generating a versatile and robust character of the robot system by training varying states in the simulated environment. Additionally, domain knowledge is incorporated to shorten the training procedure.