Search

The trend towards heterogeneous, decentral systems in intralogistics results in the need for a concept to describe and virtualize assets to enable their interaction. The multi-layer concept of Cyber-Physical Intralogistics Systems (CPIS) is introduced. The system description (descriptive layer) defines the structure of the digital twins and the communication (virtual layer) of physical (robots, periphery) and logical assets (control systems, simulations). To implement this concept, an experimental environment was developed at the Institute for Material Handling and Logistics and the Karlsruhe Institute of Technology. It consists of physical components, such as models of mobile robots or manipulators, and further periphery, such as racks and charging stations. The environment is supplemented by simulations and control software. Use cases for CPIS are to be implemented and tested in this environment. Due to the easily accessible hardware components and the possible scaling of the systems in the simulation, implementation cycles can be reduced, and results can be achieved quickly without requiring a real-world intralogistics system. CPIS can be used to initialize an automated charging process or to exchange perceived position data of system participants. The primary goal is to enable a modular system, add new participants through plug-and-play, and make systems easily changeable., Der Trend zu heterogenen, dezentralen Systemen in der Intralogistik erfordert ein Konzept zur Beschreibung und Virtualisierung von Assets, um deren Interaktion zu ermöglichen. Das mehrschichtige Konzept der Cyber-Physical Intralogistics Systems wird eingeführt. Die Systembeschreibung (Descriptive Layer) definiert die Struktur der digitalen Zwillinge und der Kommunikation (Virtual Layer) von physischen (Roboter, Peripherie) und logischen Assets (Steuerungssysteme, Simulationen). Zur Umsetzung dieses Konzepts wurde am Institut für Fördertechnik und Logistiksysteme des Karlsruher Instituts für Technologie eine Versuchsumgebung entwickelt. Sie besteht aus physischen Komponenten, wie den Modellen mobiler Roboter oder Manipulatoren, und anderen intralogistischen Komponenten, wie Regalen und Ladestationen. Ergänzt wird die Umgebung durch Simulationen und Steuerungssoftware. In dieser Umgebung sollen Anwendungsfälle für CPIS implementiert und getestet werden. Durch die leicht zugänglichen Hardwarekomponenten und die mögliche Skalierung der Systeme in der Simulation können Implementierungszyklen verkürzt und Ergebnisse schnell erzielt werden, ohne dass eine reales Intralogistiksystem benötigt wird. CPIS können zur Initialisierung eines automatisierten Ladevorgangs oder zum Austausch von Positionsdaten aufgenommen durch Systemteilnehmer genutzt werden. Das primäre Ziel ist es, ein modulares System zu ermöglichen, neue Teilnehmer durch Plug-and-Play hinzuzufügen und Systeme wandelbar zu machen.

Processes in material handling must be flexible and easily adaptable. It is simple for a human to learn to grasp a box from a shelf. To teach a robot to do the same requires programming skills and therefore skilled personnel. Because of this the Learning from Demonstration (LfD) approach is gaining importance in recent years. A robot learns from a human demonstrating a task and then reproduces it in new situations. In the area of material handling many situations could benefit from the use of robots, but the implementation often fails because of complex programming or the lack of flexibility of the automated solutions. Therefore, a framework is presented, that is tailored to these specific requirements. The 5+5 Steps of the Material Handling Loop propose that most tasks in material handling can be segmented into simpler rules. Each of these tasks consist of picking up an object from a source, moving it to a sink and placing it down again. The flexibility of this approach was investigated in two experimental series. While there are still some short-comings and open issues, it is shown, that this framework enables adaptive and flexible applications for LfD in material handling processes., Prozesse in der Materialhandhabung müssen flexibel und leicht anpassbar sein. Ein Mensch kann einfach lernen, eine Kiste aus einem Regal zu greifen. Einem Roboter dasselbe beizubringen, erfordert Programmierkenntnisse und daher Fachpersonal. Aus diesem Grund gewinnt der Ansatz des Lernens von Demonstration (LfD) in letzter Zeit an Bedeutung. Der Roboter lernt von einem Menschen, der die Aufgabe vorführt, und reproduziert sie dann in neuen Situationen. Im Bereich der Materialhandhabung gibt es viele Situationen, die vom Einsatz von Robotern profitieren könnten, aber die Umsetzung scheitert oft an komplexer Programmierung oder mangelnder Flexibilität der automatisierten Lösungen. Daher wird ein Framework vorgestellt, das auf diese spezifischen Anforderungen zugeschnitten ist. Die 5+5 Schritte des Material-Handling-Loops basieren auf der Annahme, dass die meisten Aufgaben in der Handhabung in einfachere Regeln unterteilt werden können. Für jede Aufgabe muss ein Objekt in einer Quelle aufgenommen werden, zu einer Senke transportiert und dort wieder abgelegt werden. Die Flexibilität dieses Ansatzes wurde in zwei Versuchsreihen untersucht. Obwohl es noch Verbesserungspotentiale gibt, konnte gezeigt werden, dass dieses Framework adaptive und flexible Anwendungen für das LfD in Materialhandhabungsprozessen ermöglicht.