3 Dinge, die KI im Lager nicht für Sie erledigt

Physical AI und Large Behavior Models halten schneller Einzug in die mobile Robotik, als es die meisten Instandhaltungsteams noch vor einem Jahr erwartet hätten. Ein immer „klügerer“ AMR kann Entscheidungen treffen, die man ihm früher Schritt für Schritt beibringen musste – doch die AMR-Bereitschaft des Lagers hängt weiterhin davon ab, was auf dem Boden geschieht, nicht im Modell. KI kann dem Roboter eine Entscheidung liefern. Ihre Halle muss ihm weiterhin Grenzen setzen.

Auf dem Robotics Summit & Expo, einem der größten Branchentreffen der mobilen Robotik, zeigten mehr als 70 Referenten und Dutzende Sessions dieselbe Richtung: Das Anlernen von Robotern verlagert sich von „Schreib ein Skript für jede Situation“ zu „Das Modell lernt Verhaltensweisen“. Unter den Ausstellern und Rednern fanden sich Forschungsteams, die an sogenannten Large Behavior Models arbeiten – Modellen, die Bewegung und Manipulation generalisieren, statt eine starr programmierte Abfolge auszuführen. Das ist ein echter Wandel. Und gerade deshalb lohnt es sich, nüchtern zwei Dinge zu trennen: das, was der Algorithmus immer besser kann, und das, was die Umgebung liefern muss.

Physical AI verändert den Roboter, nicht das Lager

Das größte Missverständnis in Gesprächen über Einführungen lautet: „Wenn der Roboter immer bessere KI hat, kommt er mit unserem Durcheinander schon zurecht.“ Das tut er nicht. Ein Verhaltensmodell verbessert die Art, wie der Roboter auf das reagiert, was er sieht – ändert aber nichts an der Qualität dessen, was es zu sehen gibt. Ist das Eingangssignal mehrdeutig, trifft selbst das beste Modell eine Entscheidung auf Basis falscher Daten.

In der Praxis verhält sich ein intelligenter AMR in einer ungeordneten Halle vorhersehbar schlecht: Er wird häufiger langsamer, hält häufiger an und gerät häufiger in Interaktion mit dem Fußgängerverkehr, weil ihm ein verlässliches Bezugssystem fehlt. Der Algorithmus „errät“ nicht, wo der Verkehrsweg endet und die Abstellzone beginnt, wenn diese Grenze nicht auf dem Boden markiert ist. Physical AI hebt die Obergrenze dessen, was der Roboter kann. Den Boden darunter legen weiterhin Sie.

1. Lesbare Fahrwege

Das Erste, was KI nicht für Sie erledigt, ist ein eindeutiger Routenverlauf. Der Roboter kann einem festgelegten Korridor folgen und Hindernissen ausweichen, doch wenn der Korridor selbst physisch nicht definiert ist, wird jede Fahrt zu einer Verhandlung mit der Umgebung. Schlecht gekennzeichnete Wege erhöhen die Zahl der Stopps und der Stellen, an denen die Maschine auf Fußgänger trifft – und jede solche Begegnung bedeutet Sekunden Stillstand und ein reales Risiko.

Eine für Mensch und Roboter lesbare Route ist nicht dasselbe wie eine Linie, die „ungefähr dort, wo man geht“ gezogen wurde. Es ist ein Weg mit festgelegter Breite, Richtung und durchgehender Kennzeichnung über die gesamte Hallenlänge. Kontrastreiche Bodenmarkierungsbänder legen einen Verlauf fest, den der Bediener ohne Anleitung versteht und den das autonome System als stabilen Bezugspunkt behandelt. Je weniger Stellen, an denen „unklar ist, wo es langgeht“, desto weniger Mikrostopps und desto höher die Verfügbarkeit (Uptime) der Flotte.

2. Klare Verkehrs- und Arbeitszonen

Das Zweite ist die Trennung der Zonen. Ein Lager, in dem sich Abstellfläche, Fußgängerweg, Staplerroute und Roboterspur überlagern, erzeugt Konflikte – unabhängig davon, wie gut das steuernde Modell ist. Autonomie beseitigt den Konflikt nicht – sie legt ihn nur schneller offen.

Die Zonierung beginnt mit einer Planungsentscheidung: wo der Roboter fahren darf, wo er langsamer werden, wo er Vorfahrt gewähren muss und wo er überhaupt keinen Zutritt hat. Erst danach wird sie in physische Kennzeichnung übersetzt. Hier bewährt sich die Kombination aus Bodenmarkierung und Elementen, die sich bei Layoutänderungen leicht versetzen lassen. Mobile ZonePro-Barrieren ermöglichen es, eine Ladezone, einen Puffer oder einen vorübergehend gesperrten Bereich schnell abzugrenzen, ohne in den Boden einzugreifen. In einer Umgebung mit Mischverkehr, in der Menschen, Stapler und AMR gleichzeitig unterwegs sind, ist eine klare Zonengrenze genau das, was einen gemeinsam genutzten Raum in einen vorhersehbaren Prozess verwandelt.

3. Physische und visuelle Grenzpunkte

Das Dritte wird am häufigsten übersehen, weil es trivial klingt: Ein Algorithmus ersetzt keine Barriere. Das Modell kann erkennen, dass vor ihm ein Hindernis liegt, sichert aber nicht die Stelle ab, an der die Roboterroute eine Stütze, ein Tor oder eine Regalkante kreuzt. Grenzpunkte müssen auf zwei Ebenen gleichzeitig existieren – als physischer Schutz und als visuelles Signal für den Menschen.

Harte Kollisionspunkte werden mit einer Industriebarriere geschützt; Stellen, an denen es auf Lesbarkeit bei schwächerem Licht oder bei Stromausfall ankommt, werden mit langnachleuchtenden Schildern unterstützt. Es geht darum, dass Roboter und Bediener dieselbe Information über die Grenze erhalten – der eine im System, der andere im Blickfeld. Wenn ein Mensch die Verkehrsregeln in zwei Sekunden versteht, ist die Umgebung bereit. Wenn er nachfragen oder überlegen muss, ist sie es nicht.

Die Reihenfolge, die funktioniert: Fluss, Grenzen, Autonomie

Die AMR-Bereitschaft des Lagers folgt einer bewährten Reihenfolge, an die Sie sich auch dann halten sollten, wenn der Roboterlieferant verspricht, dass sich „die Software um den Rest kümmert“. Zuerst die Logik des Flusses – wo entlang und in welche Richtung sich Material bewegt. Dann die Grenzen – wo eine Zone endet und die nächste beginnt. Erst ganz am Ende die Autonomie, die auf einem so vorbereiteten Fundament den Zyklus tatsächlich verkürzt, statt ihn zu destabilisieren.

Diese Reihenfolge umzukehren ist der teuerste Fehler bei Einführungen: Ein Unternehmen kauft einen intelligenten Roboter und passt ihn dann monatelang an einen Raum an, den vorher niemand geordnet hat. Das Ergebnis ist das Gegenteil des Beabsichtigten – Automatisierung beseitigt das Chaos nicht, sondern beschleunigt es und macht es sichtbar. Der Roboter fährt dorthin, wohin Sie ihn schicken, aber nur, wenn das „Wohin“ in der Halle eindeutig beschrieben ist.

AMR-Bereitschaft des Lagers – Checkliste, bevor der Roboter kommt

• Routen: Sieht der Bediener den Wegverlauf, ohne zu fragen und ohne umzukehren? Wenn er nachfragen muss, ist der Verkehr auch für den Roboter nicht eindeutig.
• Zonen: Sind Abstell-, Fußgänger-, Stapler- und Roboterbereiche getrennt, oder überlagern sie sich?
• Grenzen: Sind harte Kollisionspunkte physisch gesichert und nicht nur „sichtbar“?
• Lesbarkeit unter schlechteren Bedingungen: Funktioniert die Kennzeichnung bei schwächerem Licht und während des Schichtwechsels?
• Einheitlichkeit zwischen den Schichten: Sind die Verkehrsregeln morgens und in der Nachtschicht gleich, oder „macht es jedes Team auf seine Weise“?

Lautet die Antwort auf auch nur eine dieser Fragen „Das kommt darauf an“, sollten Sie mit der Ebene der Verkehrsorganisation beginnen und nicht mit dem Kauf einer weiteren Technologie. Das ist die günstigste Phase der gesamten Einführung und zugleich diejenige, die über die Rendite aller übrigen entscheidet.

Macht ein neueres KI-Modell die Kennzeichnung nicht überflüssig?

Nicht in dem Zeithorizont, über den wir sprechen. Neue Modellgenerationen verbessern die Entscheidungsfähigkeit des Roboters, doch alle arbeiten mit Signalen aus der Umgebung. Je besser ein Modell „räumlich denkt“, desto mehr Gewicht hat die Qualität dessen, was es sieht. Eine lesbare Halle ist keine Prothese für schwache KI – sie ist die Voraussetzung dafür, dass gute KI etwas hat, womit sie arbeiten kann.

Womit beginnen, wenn das Budget begrenzt ist?

Mit Routen und Zonen, denn sie verursachen die meisten Mikrostopps. Die Ordnung der Wege mit Bodenmarkierungsbändern und die Abgrenzung der wichtigsten Zonen mit mobilen Barrieren bringen meist die schnellste Rendite – noch bevor der erste Roboter in der Halle auftaucht. Die Absicherung der Grenzpunkte und die Lesbarkeit unter schlechteren Bedingungen folgen im zweiten Schritt.

Quellen

• The Robot Report, Robotics Summit & Expo – Physical AI und Large Behavior Models in der mobilen Robotik: therobotreport.com