Zum Hauptinhalt springen
SECO
  • AI
  • Edge Computing
  • Industries
  • Clea

Warum On-Device-AI das Systemdesign in der Robotik neu definiert

Erfahren Sie, wie Edge AI und Cloud-Infrastruktur Physical AI und Industrierobotik neu gestalten und skalierbare, sichere Edge-to-Cloud-Deployments in Echtzeit ermöglichen.

Warum On-Device-AI das Systemdesign in der Robotik neu definiert

Der Industriesektor nutzt Robotikplattformen schon lange für Aufgaben wie Materialhandling, Produktfertigung und Bestandsverwaltung. Heute nutzen autonome mobile Roboter (AMRs), kollaborative Roboter (Cobots) sowie fortschrittliche Montage- und Prüflinien künstliche Intelligenz (AI), um im Rahmen eines neuen Feldes namens „Physical AI“ eine neue Stufe operativer Autonomie zu erreichen.

Historisch wurden viele AI-Workloads mit Cloud Computing in Verbindung gebracht, wegen seines reichlichen Ressourcenpotenzials und der traditionellen Leistungs- und Performancegrenzen von Embedded-Hardware. Mit dem Fortschritt AI-gestützter Aufgaben, etwa von der optischen Zeichenerkennung (OCR) bis zur automatischen Fehlererkennung, sind die Rechenanforderungen weiter gestiegen.

Moderne Verarbeitungsplattformen ermöglichen es jedoch, viele anspruchsvolle AI-Workloads direkt auf Edge-Hardware auszuführen. Dadurch verändern diese Technologien, wie Ingenieure an das Design industrieller Robotik herangehen.

Die betrieblichen Vorteile lokaler Intelligenz

Cloud Computing bietet zwar reichlich Ressourcen für die AI-Verarbeitung, kann in der Industrierobotik aber Probleme verursachen:

Das erste ist die Verarbeitungslatenz, die sich aus Netzwerklatenz, Task-Scheduling auf den Cloud-Servern und der Verarbeitungszeit in der Cloud zusammensetzt. Hochgeschwindigkeits- und eng koordinierte Abläufe, etwa die robotergestützte Produktprüfung und das Aussortieren an Montagelinien, sind auf striktes Timing angewiesen, um den Durchsatz zu maximieren. Variable Latenz verringert den Determinismus und damit die betriebliche Effizienz, da die Geschwindigkeit zur Kompensation gesenkt werden muss.

Auch die nicht lokale Verarbeitung stellt Hindernisse für die Betriebskontinuität dar. Bei Netzwerkausfällen kann die Funktionalität cloudabhängiger Anlagen eingeschränkt sein, wenn Rechenressourcen nicht mehr verfügbar sind. Die daraus resultierenden Ausfallzeiten können für Hersteller teuer werden. Netzwerkausfälle können aber auch die Sicherheit von Mitarbeitenden beeinträchtigen, die neben Cobots und AMRs arbeiten, wenn zentrale sensorische Prozesse unterbrochen werden.

Zudem führt die Netzwerkbandbreite bei datenintensiven Anwendungsfällen wie Qualitätsprüf-Cobots mit hochauflösenden Kameras zu Kosten- und Durchsatzproblemen. Außerdem können Rohdaten, die das Gerät zur Analyse verlassen, die Risiken für Datenschutz und Datensicherheit erhöhen.

Mit dem Wechsel zu Intelligenz auf dem Gerät können Entwickler von Robotiksystemen diese Probleme der nicht lokalen Verarbeitung angehen:

Die Verarbeitung von Daten nahe an ihrer Quelle führt in der Regel zu geringerer Latenz. Entwickler können außerdem den Determinismus erhöhen, indem sie Hardware-Software-Kombinationen für den Echtzeitbetrieb einsetzen. Das ermöglicht den hohen Koordinationsgrad, den Robotiksysteme an Montagelinien benötigen.

Ebenso unterstützt die Verlagerung aller wesentlichen Prozesse direkt auf die Robotikplattformen den netzwerkfreien Betrieb und verringert das Risiko von Ausfallzeiten und Leistungseinbußen, die Produktivität oder Robotersicherheit beeinträchtigen können. Edge-Verarbeitung beseitigt zudem die Kosten und Bandbreitenbeschränkungen der cloudbasierten Datenanalyse und verbessert Datenschutz und Datensicherheit erheblich, da Rohdaten das Gerät nicht verlassen müssen.

Für Industrierobotik-Teams verlagert ein Edge-first-Ansatz den Schwerpunkt des Hardware-Engineerings stärker auf die Verarbeitungs- und Schnittstellenanforderungen von Physical-AI-Systemen. Die Entwicklung wird zusätzlich komplizierter durch die Umsetzung fortschrittlicher Anwendungssoftware und Deployment-Workflows für Edge AI. Dennoch bietet Intelligenz an Bord einen Weg zu größerer Autonomie von Robotern.

Wie Cloud-Infrastruktur die Industrierobotik unterstützt

Edge-Verarbeitung bietet zwar viele Vorteile für einzelne industrielle Robotikplattformen, doch Cloud-Infrastruktur spielt weiterhin eine wichtige Rolle bei der Unterstützung von Abläufen im Deployment-Maßstab:

Cloudbasiertes Flottenmanagement ermöglicht es Teams, tägliche und geplante Abläufe über viele Roboter hinweg zu koordinieren. Damit werden einzelne Systeme faktisch zu einem skalierbaren Netzwerk, das als Einheit arbeitet, und betriebliche Engpässe wie AMRs, die sich in gemeinsam genutzten Bereichen gegenseitig die Wege blockieren, werden verringert.

Die Cloud bietet zusätzlich einen zentralen Raum für übergeordnete Steuerung, Observability über Gerätetelemetrie und die Visualisierung betrieblicher Erkenntnisse, etwa Fehlererkennungsraten und Fertigungsdurchsatz an einer Montagelinie statt Rohdaten. Vor allem aber bündeln Cloud-Plattformen wesentliche Aufgaben des Software-Lifecycle-Managements wie Over-the-Air-Updates (OTA), die die Leistung der Roboter verbessern und Sicherheitslücken beheben.

Die Kombination aus lokaler Intelligenz und übergeordneten Cloud-Plattformen ist eine wirkungsvolle Strategie für moderne Industrierobotik. Dieser Prozess kann jedoch komplex sein, weshalb Robotik-Teams von produktionsreifen Lösungen profitieren, die die Hardware- und Softwareentwicklung innerhalb eines einheitlichen Edge-to-Cloud-Frameworks beschleunigen können.

Skalierbare Lösungen für Edge-to-Cloud-Robotik-Deployments

SECO bietet ein umfassendes Ökosystem für den Aufbau von Robotiksystemen für industrielle Abläufe im Deployment-Maßstab. Eine zentrale Herausforderung für Ingenieure ist jedoch, Verarbeitungsplattformen zu finden, die anspruchsvolle Edge-AI-Workloads unterstützen. SECO löst dies mit den System-on-Modules (SOMs) SOM-SMARC-Dragonwing-IQ8, SOM-COMe-CT6-Dragonwing-IQ-X und SOM-SMARC-QCS6490.

Diese hochintegrierten Edge-Plattformen basieren jeweils auf den Prozessoren Qualcomm® Dragonwing™ IQ8, Dragonwing™ IQ-X und Dragonwing™ QCS6490 und verringern die betriebliche Abhängigkeit von der Cloud, indem sie anspruchsvolle AI-Aufgaben lokal ausführen. Dies gelingt durch heterogene Verarbeitung mit:

  • Mehreren CPU-Kernen für fortschrittliche Anwendungsverarbeitung, Simultaneous Localization and Mapping (SLAM) und parallele Kommunikation zwischen Robotik-Peripherie wie Motorsteuerung und Sensorik-Subsystemen.
  • Einer integrierten GPU für Bildvorverarbeitung und Grafikrendering, etwa bei der Produktprüfung oder zur Ansteuerung von Mensch-Maschine-Schnittstellen (HMIs).
  • Dedizierter AI-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) mit offenem Standard an. Das vereinfacht Integration und Fertigung in großem Maßstab und liefert zugleich industrielle Schnittstellen für Robotikanwendungen. Sobald Ingenieure ein geeignetes Carrier-System aufgebaut haben, verringern die langfristige Verfügbarkeit der SOMs und ihre Interoperabilität mit COMs desselben Standards die Abhängigkeit von einzelnen Anbietern und minimieren den Redesign-Aufwand, falls später alternative Lösungen beschafft werden müssen.

Begleitend zu diesen Hardwareplattformen bietet Clea von SECO eine sichere, industrietaugliche Grundschicht für skalierbare Edge-to-Cloud-Deployments. Clea OS bietet ein modulares, hochgradig anpassbares Software-Framework auf Basis von Yocto Linux, mit dem Entwickler heterogene Verarbeitung voll ausschöpfen und zugleich unnötige Softwarekomponenten weglassen können, um das Potenzial der Edge-Ressourcen zu maximieren.

Zusätzliche Clea-Module helfen Entwicklern beim Aufbau der Cloud-Schicht für Flottenmanagement, Datenorchestrierung und sichere OTA-Updates, die den langfristigen Betrieb industrieller Robotik im Deployment-Maßstab unterstützen. Außerdem stellen SECO App Hub und Clea Studio AI verifizierte AI-Modelle und Trainingsumgebungen bereit, um die AI-Entwicklung zu beschleunigen.

Fortschritte bei Edge AI verändern die Industrierobotik, doch SECO bietet die Lösungen und die Expertise, damit Ingenieure beim Aufbau von Physical-AI-Systemen die vollen Vorteile von Edge-Hardware nutzen können. Wenn Sie mehr erfahren möchten, sprechen Sie mit unseren Experten und freuen Sie sich auf den nächsten Teil dieser Serie, der die sich wandelnde Landschaft von Physical AI und Industrierobotik beleuchtet.

SOM-SMARC-Dragonwing-IQ8

In diesem Artikel vorgestellt

SOM-SMARC-Dragonwing-IQ8

SMARC® Rel. 2.2 Modul mit Qualcomm® Dragonwing™ IQ8 Anwendungsprozessoren.

  • SMARC®
  • Qualcomm® Dragonwing™ IQ8

Ebenfalls in diesem Artikel: SOM-COMe-CT6-Dragonwing-IQ-X, SOM-SMARC-QCS6490

Abonnieren Sie den SECO Newsletter.

Melden Sie sich mit Ihrer E-Mail-Adresse auf seco.com an.

Abonnieren