Robotische Simulation und lernende Systeme

Robotische Simulation ermöglicht Unternehmen, komplexe Automatisierungslösungen wie Roboter schon vor dem realen Einsatz virtuell zu entwickeln, erproben und zu optimieren. Sie versetzt Entscheider in die Lage, Materialflüsse und Flottenstrategien digital abzubilden, Risiken frühzeitig zu erkennen und Kosten zu senken. In Logistikzentren steigert der Einsatz von Simulationstools die Planungssicherheit und Effizienz. Das Fraunhofer-IML begleitet Sie dabei mit fundierter Expertise und leistungsfähigen Tools, um robotische Systeme und Materialflüsse ganzheitlich zu testen und zu perfektionieren.

Fünf Roboter in einer Testhalle
© Fraunhofer IML

Herausforderungen und Relevanz

der Robotersimulation   

Technologische Fortschritte – insbesondere im Bereich der Künstlichen Intelligenz – sowie der zunehmende Fachkräftemangel führen zu einem starken Anstieg sowohl der Anzahl von Robotern als auch der Vielfalt ihrer Einsatzbereiche. Die wachsende Komplexität automatisierter Systeme und die intensivere Mensch-Roboter-Interaktion stellen hohe Anforderungen an die Entwicklung und Integration von Robotiklösungen in Logistik und Intralogistik.

Robotik-Simulation bietet hier einen entscheidenden Lösungsansatz: Sie ermöglicht die virtuelle Entwicklung, Erprobung und das Training von Systemen – inklusive der parallelen Entwicklung von Hardware und Software. Ohne den Einsatz virtueller Testumgebungen steigen Entwicklungszeiten, Kosten und das Risiko von Fehlfunktionen erheblich – insbesondere in sicherheitskritischen Grenzszenarien.

Die Kombination aus Materialflusssimulation und Robotersimulation bietet entscheidende Vorteile. In digital nachgebildeten Lagerumgebungen prüfen Entwicklerinnen und Entwickler Navigationsstrategien, Sensorik und Flottenkooperation, bevor sie reale Prototypen fertigen.

So optimieren sie koordiniertes Verhalten in Lagerlogistik-Szenarien und Logistikprozessen und reduzieren teure Nachbesserungen. 

Dieser Ansatz steigert die Planungssicherheit: Entscheider erhalten belastbare Kennzahlen zu Durchsatz, Auslastung und Kosten. Sie simulieren komplette Roboter-Flotten und Materialflussketten samt Fördertechnik. Dank virtueller Tests erhöhen sie Zuverlässigkeit und Sicherheit beim Übergang in den Echtbetrieb. Der Nachweis wirtschaftlicher Vorteile erleichtert Investitionsentscheidungen und treibt die Digitalisierung in der Logistik voran. 

Mit fortschrittlichen Tools wie »NVIDIA Isaac Sim« und »Isaac Lab«, sowie eigenen Simulationslösungen in Kombination mit Materialflusssimulation beschleunigen wir Planung und Entwicklung logistischer Robotersysteme - bei höherer Sicherheit für Mensch und Maschine. 

Jetzt Simulationsexpertise anfragen

Anwendungsbeispiel »O³dyn«: Simulationsbasierte Entwicklung und Virtual Prototyping

Bild des hochdynamischer Outdoor-Roboters O³dyn
© Fraunhofer IML

Am Beispiel von »O³dyn« werden die Stärken der Robotik-Simulation eindrucksvoll verdeutlicht: Der omnidirektionale Palettentransportroboter wurde komplett in der virtuellen Welt nachgebildet. Aus Konstruktionsdaten erzeugten die Ingenieurinnen und Ingenieure ein präzises 3D-Modell, das sie im »NVIDIA Isaac Sim«-Umfeld validierten. Parallel dazu wurden virtuelle Bewegungsdaten aus dem PACELab genutzt, um kinematische und dynamische Eigenschaften des realen Systems aufzunehmen. So gleicht der digitale Zwilling dem physischen Prototyp bis ins Detail.

Über robotische Simulation lassen sich komplexe Bewegungsabläufe wie Seitwärtsfahrten oder Rutschverhalten exakt nachbilden. GPU-basiertes Rendering generiert fotorealistische Sensordaten für das Training von Computer-Vision-Modellen. So können Entwickler Sensor- und Fahrwerkskonfigurationen in Sekunden ändern, ohne reale Prototypen fertigen zu müssen. Das verkürzt erheblich die Entwicklungszeit und reduziert die Kosten.

Bild des hochdynamischer Outdoor-Roboters O³dyn
© Fraunhofer IML

Mit jedem Iterationsschritt verringert sich die Lücke zwischen digitalem Zwilling und echtem Roboter. Funktionen wie autonome Navigation oder Ladungsträgeraufnahme testen die Teams vollständig in der Simulation. Erst wenn sie die gewünschten Performance-Kennzahlen erreichen, übertragen sie die Software auf den physischen »O³dyn«. Dieser nahtlose »Sim-to-Real-Transfer« steigert die Zuverlässigkeit und minimiert das Risiko teurer Nacharbeiten.

Wir beraten Sie beim Aufbau Ihrer Simulationsumgebung, begleiten die Modellierung und sorgen für einen reibungslosen Übergang von virtuellen Tests in den realen Betrieb. So gewährleisten Sie, dass Ihre Logistik und Intralogistik Roboter bereits im Vorfeld optimale Leistung und Sicherheit bieten.

Virtuelles Prototyping

Neue Varianten, wie alternative Fahrwerkkonfigurationen oder Sensoren, lassen sich in der Simulation evaluieren. Entwicklungszeit und ‑kosten sinken deutlich, da weniger reale Prototypen gefertigt werden müssen. 

Konzeptstudien ohne Realhardware

Neue Roboterideen können vollständig virtuell entstehen. Dies verringert die Hürde innovative Konzepte zu erproben und ermöglicht schnelle Iterationen. 

Digitaler Zwilling

Durch bidirektionalen Datenaustausch zwischen realem Roboter und Simulation entsteht ein digitaler Zwilling. So passt sich das Simulationsmodell dem realen System kontinuierlich an und in der Simulation können Testszenarien erzeugt werden, auf die der reale Roboter reagieren muss. So unterstützt der Zwilling den Betrieb.

Vom autonomen Roboter zum optimierten Materialfluss

Bild einer robotischen Simulation in der Praxis
© Fraunhofer IML

Wie wirken sich Flotten mobiler Roboter auf den gesamten Materialfluss im Lagerhaus oder der Produktion aus? Bei dieser Frage stößt die physikalisch akkurate Robotersimulation an ihre Grenzen: Zwar lassen sich Mechanik, Aktorik und Sensorik präzise abbilden, doch pro Roboter sind enorme Rechenressourcen nötig. Die Skalierung auf Dutzende oder gar Hunderte Fahrzeuge erfordert viel Rechenzeit. Allerdings ist gerade die gleichzeitige Betrachtung aller Roboter sowie angrenzender Prozessbereiche (Wareneingang, Kommissionierung, Warenausgang, Produktionsstationen) entscheidend, um einen belastbaren digitalen Zwilling des Gesamtsystems zu schaffen. Erst so lassen sich zentrale Kennzahlen wie Durchsatz, Auslastung und Wirtschaftlichkeit mit hoher Verlässlichkeit prognostizieren.

Während klassische Fördertechnik (z. B. Rollen- oder Kettenförderer) in Materialflusssimulationen verhältnismäßig einfach abzubilden ist, verlangen mobile Roboter deutlich komplexere Modelle. Viele heute verfügbare Tools verwenden jedoch stark vereinfachte Ansätze: Sie vernachlässigen Unterschiede zwischen Robotertypen, berücksichtigen keine Flottenstrategien und ignorieren Koordinationstopologien – mit entsprechenden Einbußen bei Realitätsnähe und Aussagekraft.

Unsere Lösungsansätze

Durch gezielte Abstraktion einzelner Roboterelemente generieren wir Abstraktionsmodelle, die einerseits realitätsnahe Ergebnisse liefern und andererseits auch große Flotten in Echtzeit simulieren.

Flottenmanagement- und Trajektorienplanungs­module binden wir direkt in die Materialfluss­simulation ein, sodass Ihr digitaler Zwilling das Zusammenspiel aller Komponenten originalgetreu abbildet.

Verhaltens­aspekte, die sich nicht in klassischen Formeln fassen lassen, modellieren wir mithilfe künstlicher Intelligenz: Neuronale Netze approximieren komplexe Interaktionen in Echtzeit.

Das Ergebnis ist eine skalierbare, realitätsnahe Simulation ganzer Roboterflotten – mit belastbaren Kennzahlen für Effizienz, Sicherheit und Wirtschaftlichkeit. So gewinnen Sie frühzeitig verlässliche Planungssicherheit für Ihre Automatisierungsstrategie.

Was uns auszeichnet

 

  • Langjährige Anwendungserfahrung in Robotik-Simulation innerhalb von robotischen Eigenentwicklungen und Kundenprojekten über verschiedene Simulationswerkzeuge hinweg 
  • Kompetenzspanne von der Auswahl des geeigneten Simulationstools über Modellierung und Erstellung von Digitalen Zwillingen bis zum Deployment von Lösungen aus der Simulation in die reale Welt 
  • Leistungsfähige Infrastruktur wie Simulationsserver und Motion Capture System im »PACELab« zum »Sim-to-Real« Abgleich 
  • Ganzheitliche Betrachtung der robotischen Systeme: von virtuellem Prototyping, über die Entwicklung, Training & Test von Autonomiefunktionen in der Simulation bis zur Analyse des resultierenden Materialflusses des Einzelsystems sowie ganzer Roboterflotten.
Dr.-Ing. Jana Jost

»Durch den Einsatz von Simulation konnten wir die Entwicklungszeit unserer Roboter und die Entwicklung für unsere Partner deutlich verkürzen und neue Ideen sowie Konzepte testen wir nun ressourcenschonend in der virtuellen Welt. In der Phase der Skalierung und Integration in der Anwendung unterstützt uns die Kombination mit einer Materialflusssimulation bei der Planung und Optimierung von ganzen Flotten.«

Dr.-Ing. Jana Jost, Abteilungsleiterin Robotik und Kognitive Systeme

Anwendungsbeispiele: KI-Robotik für smarte Automatisierung

Computer Vision Modelle auf Basis synthetischer Trainingsdaten

 

Für das Training von Computer Vision Modellen werden zahlreiche Trainingsdaten benötigt. Echte Bildaufnahmen zum Training von KI Modellen sind zeit- und kostenintensiv, zudem limitieren Datenschutzregularien die Datenbeschaffung. 

Dank photorealistischer Renderer lassen sich in der Simulation synthetische Bild- und Tiefendaten samt Objekt-Annotationen erzeugen. So können innerhalb kürzester Zeit Tausende neuer Trainingsbilder erzeugt werden, von beliebigen Objekten, verschiedenen Kameratypen und mit dem benötigten Annotierungsformat. Durch gezielte Randomisierung, etwa variierende Hintergründe, Lichtverhältnisse oder Objekttexturen, wird ein breites Spektrum an Szenarien abgedeckt. Die so entstandenen Datensätze sind äußerst divers und erhöhen die Robustheit der Modelle im realen Einsatz

Mit fotorealistischen Renderern erzeugen wir in Minuten Tausende neuer Trainingsbilder von beliebigen Objekten. Im Projekt »IMOCO4.E« entstand eine Pipeline, die Paletten-Datensätze parallel generiert und ein Modell trainiert, das reale Paletten zuverlässig erkennt, obwohl das Modell nie zuvor eine reale Palette gesehen hatte. Nach dem Deployment gelang den Projektpartnern die zuverlässige Palettenaufnahme unter stark variierenden Bedingungen.

Roboter lernen mittels Reinforcement Learning

 

Mit der zunehmen Komplexität moderner Robotersysteme, von mobilen Manipulatoren, über antropomorphe bis hin zu humanoiden Robotern, steigen Freiheitsgrade, Geschwindigkeiten, und dynamische Anforderungen, ebenso wie die Vielfalt der Interaktionen mit Umgebung und Objekten. Klassische Regelungs- und Planungsmethoden stoßen hierbei an Grenzen. Deep Reinforcement Learning erkundet in der Simulation parallel Aktionsräume, lernt über Rewards und nutzt Domain-Randomization sowie Fine-Tuning für einen robusten Sim-to-Real-Transfer. 

Roboter in einer Simulierten Umgebung um zu lernen.
© Fraunhofer IML

Die erfolgreichen Projekte an unserem Institut sind vielfältig: von der erlernten Objekthandhabung mit Manipulatoren über mobile Manipulation bis hin zur autonomen Navigation einzelner Roboter und ganzer Flotten. Auch bei Humanoiden spielen gelernte Funktionen, z.B. beim Laufen oder Whole-Body Control, eine zentrale Rolle. Dabei nutzen wir verfügbare Simulationstools wie NVIDIA Isaac Lab ebenso wie Eigenentwicklungen, z. B. MuRoSim, eine hocheffiziente 2D-Simulation für komplette Roboterflotten.

Wir haben in Projekten wie der »ai arena«, der Nachwuchsforschergruppe »DynaFoRo«, und am Lamarr-Institut für Maschinelles Lernen und KI mehrfach bewährte, erfolgreiche Lösungen von Manipulationsaufgaben bis hin zu multi-Roboter Navigation umgesetzt.

FAQ zur Robotik Simulation

  • Robotik-Simulation bezeichnet die virtuelle Abbildung und Prüfung von Robotersystemen in digitalen Umgebungen. Dabei modellieren Entwickler Mechanik, Sensorik und Steuerung von Logistik Roboter oder Intralogistik Roboter, um Materialflusssimulation und Flottenstrategien schon vor dem realen Einsatz zu validieren. Dieser Ansatz minimiert Risiken, verkürzt Entwicklungszyklen und erleichtert Investitionsentscheidungen.

  • Durch realitätsnahe Modelle ganzer Lagerprozesse ermöglicht die Simulation belastbare Kennzahlen zu Durchsatz, Auslastung und Koordinationstopologien. Entscheider testen Flottenmanagement, Wegoptimierung und Roboter Logistik-Szenarien virtuell. So reduzieren sie Stillstandzeiten und Kosten, bevor sie Hardware anschaffen oder Umbauten vornehmen.

  • Eine kombinierte Materialflusssimulation und Robotersimulation liefert belastbare Daten über die Leistungsfähigkeit von Robotik Systemen für (intra-)logistische Prozesse. Damit können Robotik Systeme für individuelle Prozessanforderungen geplant und skaliert werden. Im Abgleich mit der Leistung traditioneller Förderkomponenten können so Engpässe in den Prozessen identifiziert werden, die mit dem Einsatz von Robotik Systemen gelöst werden können. Sie abstrahiert Kinematik der Flurförderzeuge, bindet Flottenmanagement-Systeme ein und nutzt neuronale Netze, um reales Fahr- und Koordinationsverhalten abzubilden. Entscheider profitieren von validen Durchsatzprognosen und optimierten Lagerlayouts.

  • Eigentlich fast immer, da Hardware- und Softwareentwicklung parallelisiert werden können und wir ressourcenschonend in der virtuellen Welt entwickeln können. Besonders nützlich ist die Simulation allerdings bei komplexeren Systemen und der Integration mehrerer autonomer Fahrzeuge. Robotische Simulation erlaubt Tests von Kooperationsszenarien zwischen Fördertechnik und mobilen Robotern. So identifizieren Sie Konfliktpunkte, optimieren Verkehrswege und erhöhen die Betriebssicherheit, noch bevor Sie in reale Anlagen investieren.

  • Sicherheitskritische Grenzszenarien wie Kollisionen oder Sensorfehler simulieren Sie in geschützten virtuellen Umgebungen. So kann das Verhalten der Systeme in kritischen Situationen geprüft werden und ein Schaden von Mensch und Maschine ausgeschlossen werden. Auf diese Weise kann die Sicherheit und Robustheit autonomer Systeme erheblich verbessert werden.