Die steigenden Anforderungen an Effizienz, Sicherheit und Kostensenkung in der Logistik in Verbindung mit steigenden Arbeitskosten stellen eine zentrale Herausforderung dar. Um diese Herausforderung zu bewältigen, sind ausgefeilte Lösungen wie autonome Gabelstapler, die repetitive Aufgaben wie den Materialtransport ohne menschliches Eingreifen ausführen, vielversprechend. Trotz des wachsenden Interesses an autonomen Systemen ist eine der größten Herausforderungen die zuverlässige Lasthandhabung, d. h. die korrekte Ausrichtung des Fahrzeugs auf die Last und deren ordnungsgemäße Aufnahme. Die vorliegende Arbeit zielt darauf ab, aktuelle Forschungsaktivitäten zu diesem Thema systematisch zu identifizieren, zu analysieren und zusammenzufassen sowie aktuelle Herausforderungen und offene Forschungslücken aufzuzeigen. Verschiedene Datenbanken wurden systematisch nach relevanten Publikationen durchsucht, und insgesamt 62 Publikationen wurden detailliert analysiert. Die Studie zeigte, dass Forschungsaktivitäten in diesem Bereich zunehmend an Bedeutung gewinnen. Zahlreiche verschiedene Methoden und Algorithmen wurden identifiziert und zusammengefasst. Dennoch bestehen Herausforderungen und Forschungslücken, wie beispielsweise Wahrnehmungsrobustheit, Anpassungsfähigkeit an die Umgebung und Systemintegration. Diese systematische Literaturübersicht ist die erste, die sich mit der Lastabfertigung durch autonome Gabelstapler unter Verwendung eines systematischen und umfassenden Ansatzes befasst.
Autonomer Gabelstapler, Logistikautomatisierung, Lagerhaltung, Lastumschlag, Mobile Robotik
Flurförderzeuge spielen in der modernen Logistik eine entscheidende Rolle, doch ihr effektiver Einsatz hängt oft von hochqualifizierten Bedienern ab. Zwar gibt es bereits Ansätze für eine automatisierte Steuerung, doch diese verfügen nicht über die Flexibilität, Reaktionsgeschwindigkeit, Auffassungsgabe und Erfahrung menschlicher Fahrer, um komplexe Situationen zu bewältigen. Dieser Artikel befasst sich mit der Erkennung von Palettenobjekten, die für die Implementierung eines Algorithmus zur Posenschätzung von grundlegender Bedeutung ist. Auf dieser Grundlage schafft dieser Artikel die Voraussetzungen für eine vollständige Automatisierungslösung für Flurförderzeuge.
Künstliche Intelligenz, Intralogistik, Fahrerlose Transportfahrzeuge
In dieser Arbeit werden die Herausforderungen der Vollautomatisierung des innerbetrieblichen Waren-transports in Umgebungen untersucht, in denen manuell geführte Flurförderzeuge aufgrund von undefinierten Positionen und Formen der Ladungsträger weiterhin notwendig sind. Imitation Learning (IL) wird als eine vielversprechende Lösung für die Fahrzeugsteuerung bei sich wiederholenden Aufgaben identifiziert, jedoch wird seine Anwendung in der Intralogistik durch die Komplexität der Dynamik von Flurförderzeugen und dem großen abzubildenden Dimensionsraum erschwert. Es wird ein Robot Operating System 2 (ROS2) Framework vorgestellt, dass die Erfassung von Experten Fahrdaten sowohl aus Simulationsumgebungen als auch von realen Demonstrator Fahrzeugen ermöglicht. Darüber hinaus wird eine Netzwerkarchitektur präsentiert, die ein Convolutional Neural Network (CNN) mit einem nachgeschalteten Long Short-Term Memory (LSTM) Netzwerk kombiniert, um aus Bild- und Geschwindigkeitsdaten sowohl räumliche als auch zeitliche Informationen zu erlernen. Evaluiert wird die Effektivität des Frameworks anhand eines Datensatzes mit Expertenfahrmanövern, wobei das Generalisierungspotential des trainierten Netzes für die Fahrzeugsteuerung bewertet wird. Ziel der Arbeit ist es, den Nutzen des vorgeschlagenen Frameworks für die Datenerfassung zu demonstrieren und IL als Steuerungsansatz für Flurförderzeuge zu validieren
Imitationslernen, Flurförderzeug-Automatisierung, Intralogistik, ROS2, Lasthandhabung
Automatisierte Flurförderzeuge meistern schwierige Fahrsituationen schlechter als Menschen – noch. Neue Ansätze auf Basis von Künstlicher Intelligenz (KI) sollen das menschliche Fahrverhalten nachbilden und automatisierten Systemen mehr Flexibilität verleihen.
FFZ, Künstliche Intelligenz, Intralogistik,
