Der Industriesektor setzt seit Langem Robotikplattformen für Aufgaben wie Materialhandling, Produktherstellung und Bestandsmanagement ein. Heute nutzen autonome mobile Roboter (AMRs), kollaborative Roboter (Cobots) sowie fortschrittliche Montage- und Inspektionslinien künstliche Intelligenz (KI), um ein neues Maß an operativer Autonomie zu erreichen – als Teil eines neuen Bereichs, der als „Physical AI“ bezeichnet wird.
Historisch wurden viele KI-Workloads mit Cloud Computing in Verbindung gebracht, da dort umfangreiche Ressourcen zur Verfügung stehen und Embedded-Hardware traditionell durch Leistungs- und Energiegrenzen eingeschränkt war. Mit der Weiterentwicklung KI-gestützter Aufgaben – beispielsweise von der optischen Zeichenerkennung (OCR) bis hin zur automatisierten Fehlererkennung – sind auch die Anforderungen an die Rechenleistung kontinuierlich gestiegen.
Moderne Verarbeitungsplattformen ermöglichen es jedoch, viele anspruchsvolle KI-Workloads direkt auf Edge-Hardware auszuführen. Dadurch verändern diese Technologien die Art und Weise, wie Ingenieure das Design industrieller Robotiksysteme angehen.
Die operativen Vorteile lokaler Intelligenz
Cloud Computing bietet zwar umfangreiche Ressourcen für die KI-Verarbeitung, kann jedoch bei industriellen Robotikanwendungen verschiedene Herausforderungen mit sich bringen:
Die erste betrifft die Verarbeitungslatenz, die sich aus Netzwerklatenz, der Aufgabenplanung innerhalb von Cloud-Servern und der Verarbeitungszeit in der Cloud zusammensetzt. Hochgeschwindigkeitsprozesse mit einem hohen Maß an Koordination – beispielsweise die robotergestützte Produktinspektion und Ausschleusung auf Montagelinien – sind auf präzise Zeitabläufe angewiesen, um den Durchsatz zu maximieren. Variable Latenzen verringern die Deterministik und damit die operative Effizienz, da Geschwindigkeiten zum Ausgleich reduziert werden müssen.
Nicht-lokale Verarbeitung kann außerdem die Betriebskontinuität beeinträchtigen. Bei Netzwerkausfällen kann es bei Cloud-abhängigen Anlagen zu Funktionseinschränkungen kommen, wenn Verarbeitungsressourcen nicht verfügbar sind. Die daraus resultierenden Ausfallzeiten können für Hersteller kostspielig sein. Gleichzeitig können Netzwerkausfälle auch die Sicherheit von Mitarbeitenden beeinträchtigen, die mit Cobots und AMRs arbeiten, wenn wichtige sensorische Prozesse unterbrochen werden.
Darüber hinaus kann die Netzwerkbandbreite bei datenintensiven Anwendungsfällen Kosten- und Durchsatzprobleme verursachen, etwa bei Cobots zur Qualitätsprüfung mit hochauflösenden Kameras. Zudem kann die Übertragung von Rohdaten vom Gerät zur Analyse Datenschutz- und Sicherheitsrisiken erhöhen.
Durch die Verlagerung von Intelligenz direkt auf das Gerät können Entwickler von Robotiksystemen diese Herausforderungen nicht-lokaler Verarbeitung adressieren:
Die Verarbeitung von Daten nahe an ihrer Quelle führt in der Regel zu geringerer Latenz. Entwickler können die Deterministik zudem erhöhen, indem sie Hardware-Software-Kombinationen einsetzen, die für den Echtzeitbetrieb ausgelegt sind und damit das hohe Maß an Koordination ermöglichen, das für Robotiksysteme auf Montagelinien erforderlich ist.
Ebenso unterstützt die Verlagerung aller wesentlichen Prozesse direkt auf Robotikplattformen einen netzwerkunabhängigen Betrieb und reduziert damit das Risiko von Ausfallzeiten und Leistungseinbußen, die Produktivität oder Robotersicherheit beeinträchtigen können. Edge-Verarbeitung beseitigt außerdem Kosten- und Bandbreitenbeschränkungen, die mit Cloud-basierter Datenanalyse verbunden sind, und verbessert gleichzeitig Datenschutz und Sicherheit erheblich, da Rohdaten das Gerät nicht verlassen müssen.
Für Teams, die industrielle Robotiksysteme entwickeln, erhöht ein Edge-first-Ansatz den Fokus der Hardwareentwicklung auf die Verarbeitungs- und Schnittstellenanforderungen von Physical-AI-Systemen. Die Entwicklung wird zusätzlich durch die Implementierung anspruchsvoller Anwendungssoftware und Edge-AI-Deployment-Workflows komplexer. Dennoch eröffnet On-Board-Intelligenz einen Weg zu größerer Autonomie von Robotersystemen.
Wie Cloud-Infrastrukturen industrielle Robotik unterstützen
Während Edge-Verarbeitung viele Vorteile für einzelne industrielle Robotikplattformen bietet, spielt die Cloud-Infrastruktur weiterhin eine wichtige Rolle bei der Unterstützung von Betriebsabläufen im großen Maßstab:
Cloud-basiertes Flottenmanagement ermöglicht es Teams, sowohl tägliche als auch geplante Abläufe über eine große Anzahl von Robotern hinweg zu koordinieren. Dadurch werden einzelne Systeme effektiv zu einem skalierbaren Netzwerk, das als Einheit arbeitet und operative Engpässe reduziert – beispielsweise, wenn AMRs in gemeinsam genutzten Bereichen gegenseitig ihre Routen blockieren.
Die Cloud bietet außerdem einen zentralen Ort für übergeordnete Steuerung, Observability über Gerätetelemetrie sowie die Visualisierung operativer Erkenntnisse – beispielsweise Fehlererkennungsraten und Produktionsdurchsatz auf einer Montagelinie anstelle von Rohdaten. Besonders wichtig ist, dass Cloud-Plattformen wesentliche Aufgaben des Software-Lifecycle-Managements zentralisieren, darunter Over-the-Air-(OTA-)Updates, die die Leistung von Robotern verbessern und Sicherheitslücken beheben können.
Die Kombination lokaler Intelligenz mit übergeordneten Cloud-Plattformen ist eine leistungsfähige Strategie für moderne industrielle Robotik. Dieser Prozess kann jedoch komplex sein. Daher profitieren Robotikteams von produktionsreifen Lösungen, die die Hardware- und Softwareentwicklung innerhalb eines einheitlichen Edge-to-Cloud-Frameworks beschleunigen können.
Skalierbare Lösungen für den Aufbau von Edge-to-Cloud-Robotik-Deployments
SECO bietet ein umfassendes Ökosystem für den Aufbau von Robotiksystemen für industrielle Anwendungen im Deployment-Maßstab. Eine zentrale Herausforderung für Ingenieure besteht jedoch darin, Verarbeitungsplattformen zu finden, die anspruchsvolle Edge-AI-Workloads unterstützen können. SECO adressiert diese Herausforderung mit den System-on-Modules (SOMs) SOM-SMARC-Dragonwing-IQ8, SOM-COMe-CT6-Dragonwing-IQ-X und SOM-SMARC-QCS6490.
Basierend auf den Prozessoren Qualcomm Dragonwing IQ8, Dragonwing IQ-X beziehungsweise Dragonwing QCS6490 reduzieren diese hochintegrierten Edge-Plattformen die operative Abhängigkeit von der Cloud, indem sie die lokale Ausführung anspruchsvoller KI-Aufgaben ermöglichen. Dies wird durch heterogene Verarbeitung erreicht, mit:
- Mehrere CPU-Kerne für anspruchsvolle Anwendungsverarbeitung, Simultaneous Localization and Mapping (SLAM) sowie parallele Kommunikation zwischen Robotik-Peripheriegeräten wie Motorsteuerungs- und Sensorsubsystemen.
- Einer integrierten GPU für Bildvorverarbeitung und Grafik-Rendering, beispielsweise bei der Produktinspektion oder beim Betrieb von Human-Machine Interfaces (HMIs).
- Dedizierte KI-Beschleunigung für die lokale Ausführung von Personenerkennung, Objekterkennung, Geräuschklassifizierung und weiteren wesentlichen Aufgaben in Cobot-Umgebungen.
SECO bietet diese fortschrittlichen Prozessoren auf Computer-on-Modules (COMs) nach offenen Standards an. Dies vereinfacht die Integration und Fertigung im großen Maßstab und stellt gleichzeitig industrielle Schnittstellen für Robotikanwendungen bereit. Sobald Ingenieure ein geeignetes Carrier-System entwickelt haben, tragen die langfristige Verfügbarkeit der SOMs und ihre Interoperabilität mit COMs desselben Standards dazu bei, Vendor Lock-in zu reduzieren und Redesign-Aufwände zu minimieren, falls später alternative Lösungen beschafft werden müssen.
Ergänzend zu diesen Hardwareplattformen bietet SECO Clea eine sichere, industrietaugliche Grundlage für skalierbare Edge-to-Cloud-Deployments. Clea OS stellt ein modulares, hochgradig anpassbares Software-Framework auf Basis von Yocto Linux bereit. Damit können Entwickler die heterogene Verarbeitung vollständig ausschöpfen und gleichzeitig nicht benötigte Softwarekomponenten weglassen, um das Potenzial der Edge-Ressourcen zu maximieren.
Weitere Clea-Module unterstützen Entwickler beim Aufbau der Cloud-Ebene für Flottenmanagement, Datenorchestrierung und sichere OTA-Updates, die den langfristigen Betrieb industrieller Robotik im Deployment-Maßstab unterstützen. Darüber hinaus stellen SECO App Hub und Clea Studio AI verifizierte KI-Modelle und Trainingsumgebungen bereit, um die KI-Entwicklung zu beschleunigen.
Fortschritte im Bereich Edge AI verändern die industrielle Robotik. SECO stellt jedoch die Lösungen und Expertise bereit, die Ingenieure dabei unterstützen, die Vorteile von Edge-Hardware beim Aufbau von Physical-AI-Systemen umfassend zu nutzen. Erfahren Sie mehr, indem Sie mit unseren Experten sprechen, und bleiben Sie gespannt auf den nächsten Beitrag dieser Serie, der die sich weiterentwickelnde Landschaft von Physical AI und industrieller Robotik beleuchtet.