1. Funktionen
  2. Preise
  3. Community
    1. Magazin
  4. App starten
AI-Technologie
  • Alles
  • AI-Technologie
  • Artikel
  • Seiten
  • Forum
  • Produkte
  • Erweiterte Suche
  • Anmelden
  • Registrieren
  • Suche
  1. Aivor
  2. Artikel
  3. AI-Technologie

KI für Industrieroboter: Architektur, Hardware und erste eigene Anwendungen

  • Daniel Böhmel
  • 28. Oktober 2026 um 19:37
  • 49 Mal gelesen
  • 0 Kommentare
  • von Daniel Böhmel
Ein nachbaubarer Integrationspfad zeigt, wie ein Edge-Rechner Bilddaten bewertet und nur validierte Ergebnisse an eine bestehende Robotersteuerung übergibt.
Inhaltsverzeichnis [VerbergenAnzeigen]
  1. Was du nach dem Aufbau tatsächlich betreibst
    1. Der erste Anwendungsfall
  2. Referenzarchitektur: KI neben der Steuerung, nicht in ihrer Safety-Kette
  3. Welche KI-Verfahren sich am Industrieroboter lohnen
  4. Edge-Hardware auswählen und als Stückliste nachbauen
  5. KI in eine bestehende Robotersteuerung integrieren

Was du nach dem Aufbau tatsächlich betreibst

Am Ende läuft kein frei lernender Roboter durch die Zelle. Du betreibst eine Kamera, einen separaten Edge-Rechner und eine bestehende Robotersteuerung. Die Kamera erkennt ein definiertes Teil oder einen Qualitätszustand. Der Edge-Rechner berechnet Ergebnis, Konfidenz und Gültigkeitszeit. Die Steuerung übernimmt ausschließlich einen vorher programmierten Bewegungsbaustein. Fällt die Kamera, das Modell, das Netzwerk oder der Heartbeat aus, gibt es keine Bewegungsfreigabe.

Der Zielaufbau in einem Satz lautet: KI erkennt, die Steuerung fährt, die Safety entscheidet. Genau das ist für die erste eigene Anwendung sinnvoll. Ich würde mit einer Lageerkennung und Pick-Freigabe beginnen, nicht mit autonomer Bahnplanung. Das Modell liefert zum Beispiel Objektklasse und begrenzten Offset. Der Roboter fährt anschließend einen bekannten Anfahrpunkt und eine bekannte Greifbewegung.

„KI für Industrieroboter“ bedeutet in diesem Zusammenhang: KI erweitert die Wahrnehmung, Klassifikation oder Parameterwahl einer Roboterzelle. Sie ersetzt weder Robotersteuerung noch Bewegungsregelung und schon gar nicht die Sicherheitsfunktion. Das Modell darf niemals Not-Halt, Schutzraum, sichere Geschwindigkeit, Sicherheitsfreigabe oder ungeprüfte Achskommandos bestimmen.

Vor dem ersten Kabel setze ich drei Grenzen. Erstens bleibt der Aktionsraum endlich. Das Modell darf nur Klasse, Offset und Jobstatus liefern. Zweitens entscheidet eine unabhängige Safety-Kette über Schutztür, Not-Halt und sichere Zustände. Drittens wird jeder Fehler zu REJECT, TIMEOUT oder FAULT, niemals zu einer geschätzten Bewegung.

Die technische Ausarbeitung baut auf dem Praxisleitfaden für reproduzierbare KI-Robotik auf. Datenbasis, eingefrorener Testdatensatz, klare Entwicklungsgrenzen und messbare Abnahme gehören zusammen. Für eine Veröffentlichung müssen deshalb der tatsächlich aufgebaute Roboter, die verwendeten Softwarestände, gemessene Zykluszeiten, reale Fehlerbilder und Fotos der Verdrahtung dokumentiert sein. Ich trage keine nicht gemessenen Werte als Projektergebnis ein.

Der erste Anwendungsfall

Geeignet ist ein Teil, das in einem definierten Arbeitsraum liegt und mit einem festgelegten Greifer aufgenommen werden kann. Die KI darf entscheiden: Teil vorhanden, Klasse A oder B, Offset innerhalb eines Fensters. Sie darf nicht entscheiden: freie Bahn, Kollisionsvermeidung oder Überschreiben des Roboterprogramms.

Referenzarchitektur: KI neben der Steuerung, nicht in ihrer Safety-Kette

Die Zelle besteht aus fünf Bausteinen:

Code
[Kamera / Trigger]
        |
        v
[Edge-Rechner: Vorverarbeitung, Modell, Validierung]
        |
        | Prozessdaten, Jobstatus, Heartbeat
        v
[SPS / Zellenlogik] ---- [Robotersteuerung: Kinematik, Interpolation, Job]
        |
        v
[Safety-Steuerung und zertifizierte Komponenten]
        |
        +-- Not-Halt, Schutztür, sichere Geschwindigkeit, Schutzraum
Alles anzeigen

Die Kamera liefert Bilder und möglichst einen Hardware-Trigger. Der Edge-Rechner übernimmt Entzerrung, Skalierung, Inferenz und die Prüfung des Ergebnisses. Die SPS oder Zellenlogik steuert den Ablauf. Die Robotersteuerung erledigt Kinematik, Interpolation und herstellerspezifische Echtzeit. Die Safety-Steuerung arbeitet mit zertifizierten Komponenten und bleibt logisch unabhängig vom Modell.

Der Übergabevertrag muss vor der Implementierung feststehen:

Feld Beispiel Prüfung
job_id PICK_A_017 Nur bekannte Jobs akzeptieren
timestamp_ms 1739456123456 Alter höchstens 250 ms
object_class part_a Whitelist
pose_or_offset x=12.4, y=-3.1, rz=1.8 Arbeitsraumgrenzen
confidence 0.96 Mindestwert 0.92
model_version vision-2025-02-03 Freigegebene Version
valid_until_ms Zeitstempel plus 250 ms Ablauf zwingend prüfen
heartbeat monoton steigender Zähler Kein Stillstand
error_code NONE oder CAMERA_TIMEOUT Fehler führt zu Reject

Die Steuerung akzeptiert das Ergebnis nur, wenn Klasse, Offset und Konfidenz gültig sind, der Zeitstempel noch innerhalb des Fensters liegt und sich der Heartbeat bewegt. Ein Offset außerhalb des Arbeitsvolumens, eine falsche Modellversion oder ein Timeout führt in einen bereits programmierten Fehlerpfad. Dort bleibt der Roboter stehen oder fährt eine definierte, sichere Rückzugsroutine. Welche Reaktion zulässig ist, muss die Anlagen- und Safety-Bewertung festlegen.

Für wenige Zustände reichen digitale I/O oder ein Feldbus. Prozesswerte und Diagnose passen besser über eine herstellerspezifische Roboter-API. OPC UA eignet sich für standardisierte Anlagen- und Zustandsdaten, ist aber kein Ersatz für eine Safety-Schnittstelle. Auch ein schneller Roboterkanal macht aus einem unvalidierten Modellwert kein sicheres Signal. Ein RTDE-Client kann Prozessdaten mit einer Robotersteuerung austauschen, übernimmt aber nicht automatisch die deterministische Echtzeitlogik oder die Sicherheitsbewertung.

Zur Dokumentation gehören Fotos der 24-Volt-Stromversorgung, der Sicherung, der Hutschienenmontage, der Ethernet-Segmente, des Kameraanschlusses und der Schirmung. Im veröffentlichten Aufbau sollten diese Fotos die tatsächliche Verkabelung zeigen, nicht nur ein Blockschaltbild.

Die Sicherheitsbetrachtung lehnt sich an ISO 10218-1:2025 und ISO 10218-2:2025 an. Das ersetzt keine Risikoanalyse, keine Konformitätsbewertung und keine fachkundige Integration.

Welche KI-Verfahren sich am Industrieroboter lohnen

Verfahren Eingabe und Ergebnis Datenqualität Typischer Fehlermodus Zulässige Roboterwirkung
Klassifikation Bild, Klasse A oder B gleichmäßige Beleuchtung, gelabelte Klassen unbekanntes Teil wird einer Klasse zugeordnet Sortierjob oder Ausschleusung
Detektion Bild, Box und Mittelpunkt Lage- und Größenvariation im Datensatz Reflexion erzeugt eine falsche Box Greifpunkt-Vorauswahl
Segmentierung Bild, Pixelmaske sichtbare Konturen, Überlappungen verdecktes Teil wird unvollständig maskiert begrenzte Greifpunktkorrektur
Pose-Schätzung Bild, Position und Orientierung kalibrierte Kamera, definierte Geometrie symmetrisches Teil liefert Mehrdeutigkeit Auswahl eines von mehreren Jobs
Anomalieerkennung Bild, Gut oder Auffällig repräsentative Gutbilder und Fehlerbilder unbekannte Oberfläche wird als Fehler bewertet Ausschleusung, niemals Safety

Für eine erste eigene Anwendung ist ein überwacht trainiertes Vision-Modell mit begrenztem Aktionsraum sinnvoller als lernende Bahnplanung oder Reinforcement Learning am realen Roboter. Bei einer Sortierung reicht eine Klasse. Bei einem lagevariablen Bauteil brauchst du Detektion oder Pose-Schätzung. Bei überlappenden Teilen bringt Segmentierung einen echten Vorteil, verlangt aber saubere Masken und mehr Testdaten.

Drei Fehlerfälle gehören in den Abnahmebericht. Eine Spiegelung kann die Detektion auf eine glänzende Fläche setzen. Das Ergebnis wird verworfen oder ein neues Bild ausgelöst. Ein verdecktes Teil kann eine zu kleine Maske liefern. Das Teil wird ausgeschleust oder ein Bedienereingriff verlangt. Ein unbekanntes Teil darf nicht als bekannte Klasse durchrutschen. Es führt zu REJECT. Bewegungsunschärfe und Netzwerk-Timeout führen zu Wiederholung, wenn die Zellenlogik das Zeitfenster zulässt, sonst zu Ausschleusung oder Bedienereingriff.

Ein Konfidenzwert ist dabei keine Sicherheitskennzahl. Er beschreibt höchstens, wie sicher das Modell innerhalb seiner Trainingsverteilung wirkt. Die Schwelle von 0,92 ist ein Prozessparameter, kein Beweis für eine sichere Erkennung.

Das Modell bleibt ein austauschbares Artefakt. Zu versionieren sind Trainingsdatenstand, Modellformat, Modellhash, Modellversion, Konfidenzschwelle und eingefrorener Testdatensatz. Ohne diese Angaben ist ein späterer Vergleich nicht reproduzierbar.

Edge-Hardware auswählen und als Stückliste nachbauen

Als überprüfbaren Ausgangspunkt eignet sich ein NVIDIA Jetson Orin NX 16 GB. Das Datenblatt nennt bis zu 100 Sparse-INT8-TOPS beziehungsweise 50 Dense-INT8-TOPS und eine externe NVMe-Anbindung. Diese Werte sind keine Zusage für deine Anwendung. Entscheidend bleiben die gemessene Inferenzzeit, Kameralatenz, Temperatur und Ende-zu-Ende-Zeit.

Eine belastbare Stückliste muss exakt zum tatsächlich aufgebauten System gehören. Die folgende Struktur ist deshalb als auszufüllende Projekt-BOM gedacht. Preise dürfen erst nach dem Kauf mit Kaufmonat und Währung veröffentlicht werden:

Bauteil Hersteller und Modellnummer Anzahl Preis, Kaufmonat, Währung Firmware oder Treiber Bezugsquelle
Edge-Rechner NVIDIA Jetson Orin NX 16 GB mit Carrierboard 1 Belegpreis eintragen JetPack-Version eintragen Händlerbeleg
Massenspeicher NVMe-SSD, exakte Modellnummer eintragen 1 Belegpreis eintragen Firmware eintragen Händlerbeleg
Kamera Industriekamera, exakte Modellnummer eintragen 1 Belegpreis eintragen SDK-Version eintragen Händlerbeleg
Objektiv Brennweite und Modell eintragen 1 Belegpreis eintragen entfällt Händlerbeleg
Netzwerk geschützter Ethernet-Switch, Modell eintragen 1 Belegpreis eintragen Firmware eintragen Händlerbeleg
Stromversorgung 24-V-DC-Netzteil, Modell eintragen 1 Belegpreis eintragen entfällt Händlerbeleg
Absicherung Sicherung und Halter, Modell eintragen 1 Belegpreis eintragen entfällt Händlerbeleg
Gehäuse Hutschienen- oder Industriegehäuse, Modell eintragen 1 Belegpreis eintragen entfällt Händlerbeleg
Leitungen Kamera-, Ethernet- und 24-V-Leitungen nach Aufbau Belegpreis eintragen entfällt Händlerbeleg

Diese offenen Felder sind kein Messergebnis und dürfen in einer veröffentlichten Nachbauanleitung nicht offen bleiben. Der Sinn der Tabelle ist, Entwicklerkit, Serienbauteil und tatsächlich beschaffbare Variante auseinanderzuhalten. Für Langzeitbetrieb prüfst du zusätzlich die Produktlebenszyklen. Ein Entwicklerkit ist für den Laboraufbau geeignet, aber nicht automatisch die beste Serienkomponente.

Ein Industrie-PC ist die bessere Wahl, wenn mehrere hochauflösende Kameras, zusätzliche PCIe-Karten, hohe Umgebungstemperaturen oder Windows-gebundene Hersteller-Tools gefordert sind. Der Jetson ist attraktiv, wenn ein einzelnes Vision-Modell kompakt und stromsparend am Edge laufen soll. Ich würde die Entscheidung nicht mit TOPS begründen. Kameraauflösung, Belichtungszeit, Hardware-Trigger, Speicher, Netzwerk, Stromreserve, Kühlung, EMV, Montage und Servicezugang entscheiden den Aufbau.

Für jede Versorgung dokumentierst du Spannung, Leistungsaufnahme unter Last, Sicherung, Steckertyp und Kabellänge. Für jedes Ethernet-Segment gehören Rolle, Kabellänge und Schirmung in den Plan. Die veröffentlichten Messwerte müssen aus dem konkreten Aufbau stammen: Zeit von Bildaufnahme bis Ergebnis, Inferenzzeit p50 und p95, Ende-zu-Ende-Latenz, Bildausfälle, Temperatur nach Dauerlauf und Wiederanlaufzeit nach Spannungsverlust.

KI in eine bestehende Robotersteuerung integrieren

Ich starte immer im Beobachtungsbetrieb. Zuerst werden Bilder, Modellantworten und Bedienerentscheidungen nur aufgezeichnet. Danach läuft das Modell im Shadow Mode gegen die Entscheidung des Bedieners. Im dritten Schritt zeigt die Zelle das Ergebnis an. Erst im vierten Schritt wird ein einziger begrenzter Roboterjob freigegeben.

Die Zustandsmaschine lautet:

Code
IDLE -> REQUEST -> INFER -> VALIDATE -> READY -> EXECUTE -> ACK
                         |             |
                         +-> REJECT   +-> TIMEOUT
                                      |
                                      +-> FAULT

Die Robotersteuerung wartet auf einen Jobstatus, liest nur validierte Prozesswerte und ruft eine freigeprüfte Bewegungsroutine auf. Sie erhält keine freien Achswerte aus dem Modell. Nach dem Job quittiert sie ACK oder einen Fehlercode. Die SPS hält den Ablauf an, wenn die Antwort ausbleibt.

Dieses kompakte Python-Beispiel trennt Modellantwort und Freigabe. Es steuert keine Achse direkt:

Python
from dataclasses import dataclass
from time import time

WORKSPACE = {"x": (-50.0, 50.0), "y": (-50.0, 50.0), "rz": (-30.0, 30.0)}
ALLOWED_CLASSES = {"part_a", "part_b"}
MIN_CONFIDENCE = 0.92
MAX_AGE_MS = 250
ALLOWED_MODELS = {"vision-2025-02-03"}

@dataclass
class Decision:
    status: str
    reason: str
    job_id: str | None = None
    object_class: str | None = None
    offset: dict | None = None

def reject(reason: str) -> Decision:
    return Decision(status="REJECT", reason=reason)

def validate(packet: dict, last_heartbeat: int) -> Decision:
    required = {"job_id", "timestamp_ms", "object_class", "offset",
                "confidence", "model_version", "valid_until_ms", "heartbeat"}
    if not required.issubset(packet):
        return reject("SCHEMA")
    now_ms = int(time() * 1000)
    if now_ms - packet["timestamp_ms"] > MAX_AGE_MS:
        return reject("STALE_TIMESTAMP")
    if now_ms > packet["valid_until_ms"]:
        return reject("EXPIRED")
    if packet["heartbeat"] <= last_heartbeat:
        return reject("HEARTBEAT")
    if packet["model_version"] not in ALLOWED_MODELS:
        return reject("MODEL_VERSION")
    if packet["object_class"] not in ALLOWED_CLASSES:
        return reject("UNKNOWN_CLASS")
    if packet["confidence"] < MIN_CONFIDENCE:
        return reject("LOW_CONFIDENCE")
    for axis, (low, high) in WORKSPACE.items():
        value = packet["offset"].get(axis)
        if value is None or not low <= value <= high:
            return reject("OUT_OF_WORKSPACE")
    return Decision("READY", "VALID", packet["job_id"],
                    packet["object_class"], packet["offset"])
Alles anzeigen

Vor dem Automatikbetrieb prüfe ich mindestens diese Punkte:

  • Fehlklassifikationen auf einem eingefrorenen Testset bleiben unter dem festgelegten Grenzwert.
  • Die Ende-zu-Ende-Latenz bleibt unter dem für den Prozess festgelegten Maximum.
  • Eine abgezogene Kamera erzeugt REJECT oder TIMEOUT.
  • Ein gestoppter Inferenzprozess verliert den Heartbeat und gibt keine Freigabe.
  • Eine Netzwerkunterbrechung führt zum definierten Fehlerpfad.
  • Eine falsche Modellversion wird abgewiesen.
  • Schutzraum, Schutztür und Not-Halt funktionieren unabhängig vom Edge-Rechner.

Jeder Zyklus schreibt Bild- oder Datensatzreferenz, Modellhash, Konfidenz, Parameter, Steuerungsjob, Ergebnis, Bedienereingriff und Zeitstempel in das Log. Zusätzlich protokolliere ich Kameraausfälle, Wiederholungen, Ausschleusungen und Neustarts. Erst damit lässt sich später unterscheiden, ob ein Fehler aus Beleuchtung, Modell, Netzwerk, Ablauf oder Roboterprogramm stammt.

Als nächstes würde ich eine zweite Kamera ergänzen oder die begrenzte Greifpunktkorrektur um eine Anomalieprüfung erweitern. Mich interessiert, welches robuste Fallback-Muster du in deiner Roboterzelle verwendest: Wiederholung, Ausschleusung oder sofortiger Bedienereingriff?

Geschrieben von

Daniel Böhmel
Softwareentwickler

Daniel Böhmel entwickelt seit über 20 Jahren Software und ist seit 2007 selbstständig. Angefangen hat er mit interaktivem Webdesign zu Flash-Zeiten, später baute er eigene Onlineprojekte wie ein Fitnessforum und einen Supplementeshop auf, inklusive der redaktionellen Inhalte. Heute liegt sein…

Zum Profil von Daniel Böhmel

Vorheriger Artikel KI-gesteuerte Robotik zum Selbermachen: Praxisleitfaden für Entwickler und IT-Profis

Jetzt mitmachen!

Du hast noch kein Benutzerkonto auf unserer Seite? Registriere dich kostenlos und nimm an unserer Community teil!

Benutzerkonto erstellen Anmelden

Kategorien

  1. KI-Agenten 16
  2. KI News 54
  3. KI Inhalte erstellen 29
  4. KI Community 11
  5. Prompt Engineering 16
  6. Ticketsystem 8
  7. AI-Technologie 15
  8. Chatbots 12
  9. Filter zurücksetzen

Beliebteste Artikel

  • Stable Diffusion Face Swap mit ReActor: Anleitung für ComfyUI, Forge und img2img

    13.405 Mal gelesen
  • Cross-Disziplinäre Zusammenarbeit in der KI-Community: Fallstudien und Erfolgsgeschichten

    7.495 Mal gelesen
  • Die 5 besten KI-Roboter für Zuhause: Eine umfassende Übersicht

    6.859 Mal gelesen
  • Erfahre alles zu unserem KI-Forum

    6.372 Mal gelesen
  • Der ultimative Guide: So schreibst du perfekte KI-Prompts für ChatGPT & Co.

    4.395 Mal gelesen

Artikel zum Thema künstliche Intelligenz

Entdecken Sie unsere Sammlung von Artikeln zum Thema Künstliche Intelligenz. Erfahren Sie alles über die neuesten Entwicklungen und Anwendungen der KI-Technologie. Unsere Artikel decken eine Vielzahl von Themen ab, von Maschinellem Lernen und Deep Learning bis hin zu Robotik und Autonomen Systemen. Lesen Sie unsere Beiträge, um einen umfassenden Überblick über die KI-Technologie zu erhalten und bleiben Sie auf dem Laufenden über die neuesten Entwicklungen in diesem spannenden Bereich.

Alle KI-Artikel anzeigen

  1. Nutzungsbestimmungen
  2. AGB
  3. Redaktion
  4. Datenschutzerklärung
  5. Kontakt
  6. Impressum