Die Visualität der Roboter: Eine umfassende Betrachtung der technologischen Augen der Automation
Inhaltsverzeichnis
- Einleitung: Was bedeutet Visualität bei Robotern?
- Die technischen Grundlagen des Roboter-Sehens
- Die verschiedenen „Augen“-Arten im Detail
- Marktführer und Hersteller im Überblick
- Innovative Zukunftstechnologien
- Alternative und visionäre Ansätze
- Die multisensorische Zukunft: Fusion als Königsweg
- Quellenverzeichnis
1. Einleitung: Was bedeutet Visualität bei Robotern? <a name=“einleitung“></a>
Wenn wir über die „Visualität“ von Robotern sprechen, meinen wir damit die Fähigkeit einer Maschine, ihre Umgebung nicht nur zu „sehen“, sondern diese visuellen Informationen auch zu verstehen, zu interpretieren und darauf basierend Handlungen abzuleiten. Es handelt sich um ein komplexes Zusammenspiel aus Hardware (Sensoren, Kameras, Laser) und Software (Bildverarbeitungsalgorithmen, Künstliche Intelligenz), das Robotern ermöglicht, sich in einer dynamischen, unstrukturierten Welt zurechtzufinden und mit ihr zu interagieren.
Die visuelle Wahrnehmung ist für Roboter das, was für den Menschen die Augen sind – der primäre Kanal zur Erfassung der Umwelt. Doch während das menschliche Sehen ein hochkomplexes, evolutionär gewachsenes biologisches System ist, basiert das Roboter-Sehen auf physikalischen Messprinzipien und mathematischen Modellen. Die Herausforderung besteht darin, aus zweidimensionalen Kamerabildern oder Punktwolken von Laserscannern ein dreidimensionales Verständnis der Welt zu gewinnen – und das in Echtzeit.
Die Bedeutung der visuellen Wahrnehmung für die Robotik kann kaum überschätzt werden. Oh sie ist die Grundlage für Autonomie. Erst wenn ein Roboter seine Umgebung erfassen kann, ist er in der Lage, eigenständig Navigation zu betreiben, Hindernisse zu vermeiden, Objekte zu identifizieren und mit ihnen zu interagieren. Die jüngsten Fortschritte in der Künstlichen Intelligenz, insbesondere im Bereich des Deep Learning, haben hier zu einem Quantensprung geführt. Wie ABB Robotics formuliert, geht es darum, Robotern nicht nur das „Sehen“ beizubringen, sondern auch das „Verstehen“ – das sogenannte „visuelle Reasoning“ .
Die Vision ist die einer vollständig autonomen und vielseitigen Robotik, in der Maschinen komplexe Aufgaben in Echtzeit planen und ausführen können, ohne dass ein Mensch eingreifen muss . Dieser Artikel zeichnet den Weg dorthin nach – von den grundlegenden Technologien über die marktführenden Unternehmen bis hin zu den visionären Konzepten, die die Zukunft der Robotik prägen werden.
2. Die technischen Grundlagen des Roboter-Sehens <a name=“technische-grundlagen“></a>
Bevor wir in die Details der verschiedenen Sensoren eintauchen, ist es wichtig, die grundlegenden Funktionsweisen und Konzepte zu verstehen, die der visuellen Wahrnehmung von Robotern zugrunde liegen.
2.1 Von der Wahrnehmung zum Verständnis: Die Verarbeitungskette
Der Prozess des maschinellen Sehens lässt sich in mehrere aufeinander aufbauende Schritte unterteilen:
- Bilderfassung: Die Hardware (Kamera, Lidar etc.) erfasst Rohdaten aus der Umgebung – sei es ein zweidimensionales Farbbild, eine Tiefenkarte oder eine Punktwolke.
- Vorverarbeitung: Die Rohdaten werden bereinigt, gefiltert und für die weitere Analyse aufbereitet. Rauschen wird reduziert, Kontraste werden verstärkt, und die Daten werden in ein für Algorithmen verarbeitbares Format gebracht.
- Segmentierung & Merkmalsextraktion: Das Bild wird in sinnvolle Bereiche unterteilt, und charakteristische Merkmale wie Kanten, Ecken, Texturen oder Farbflächen werden identifiziert.
- Klassifikation & Interpretation: Hier kommt die Künstliche Intelligenz ins Spiel. Trainierte Modelle (z.B. Convolutional Neural Networks – CNNs) ordnen die segmentierten Bereiche bestimmten Klassen zu – „das ist ein Mensch“, „das ist ein Stuhl“, „das ist ein Hindernis“.
- Handlungsableitung: Basierend auf dem Verständnis der Szene plant der Roboter seine nächsten Schritte – eine Bewegung, einen Greifvorgang, eine Ausweichmanöver.
Diese Schritte müssen in Echtzeit erfolgen, oft innerhalb von Millisekunden, damit der Roboter angemessen auf dynamische Veränderungen reagieren kann .
2.2 Die Rolle der Künstlichen Intelligenz
Die eigentliche Revolution der letzten Jahre ist die Integration von KI in die Bildverarbeitung. Traditionelle Algorithmen arbeiteten nach festen Regeln: „Wenn Pixel in diesem Bereich eine Helligkeit von X haben, dann ist das eine Kante.“ Diese Ansätze stießen jedoch in komplexen, unstrukturierten Umgebungen schnell an ihre Grenzen.
Deep Learning, insbesondere Convolutional Neural Networks (CNNs), haben die Robotik grundlegend verändert . Diese Netzwerke lernen anhand von Tausenden oder Millionen von Beispielbildern, selbstständig relevante Merkmale zu erkennen. Sie sind nicht mehr auf manuell definierte Regeln angewiesen, sondern entwickeln ein eigenes Verständnis dafür, wie Objekte aussehen – und das oft mit einer Genauigkeit, die die des Menschen übertrifft.
Die Einführung generativer KI-Modelle, wie sie etwa Google mit Gemini Robotics vorantreibt, markiert einen weiteren Meilenstein. Diese Modelle verbinden visuelle Wahrnehmung mit Sprachverständnis und ermöglichen es Robotern, nicht nur Objekte zu erkennen, sondern auch komplexe, natürlichsprachliche Anweisungen zu verstehen und in Handlungen umzusetzen . Ein Roboter, der die Aufforderung „Hol mir die rote Tasse aus der Küche“ versteht und ausführt, ist das Ergebnis dieser Entwicklung.
2.3 Sensorfusion: Das Zusammenspiel der Sinne
Kein einzelner Sensortyp ist perfekt. Kameras liefern farbige, detailreiche Bilder, versagen aber bei schlechten Lichtverhältnissen. Lidar-Sensoren arbeiten unabhängig vom Licht, liefern aber keine Farbinformationen. Taktile Sensoren erfassen den Moment der Berührung, können aber nicht vorausschauend agieren.
Die Lösung heißt Sensorfusion – die intelligente Kombination verschiedener Sensordaten zu einem Gesamtbild . Ein moderner Roboter verfügt über ein ganzes Spektrum an „Sinnen“, deren Informationen in Echtzeit zusammengeführt werden. So kann ein Lidar-Sensor die grobe Position im Raum bestimmen, während eine hochauflösende Kamera die Details eines zu greifenden Objekts erfasst und taktile Sensoren in der Hand den nötigen Greifdruck kontrollieren .
Diese Fusion ist nicht trivial, denn die Daten müssen zeitlich synchronisiert und räumlich kalibriert sein. Die Forschungsabteilungen des Karlsruher Instituts für Technologie (KIT) arbeiten beispielsweise an ganzheitlichen Ansätzen, um multimodale Objektrepräsentationen aufzubauen, die visuelle, propriozeptive und taktile Informationen vereinen . Das Ziel: Objekte, die visuell identisch aussehen, aber unterschiedliche physikalische Eigenschaften haben (z.B. eine leere und eine volle Wasserflasche), sollen durch die Kombination verschiedener Sinne unterschieden werden können .
3. Die verschiedenen „Augen“-Arten im Detail <a name=“augen-arten“></a>
Die „Augen“ eines Roboters sind so vielfältig wie die Aufgaben, die sie erfüllen müssen. Je nach Anwendungsbereich kommen unterschiedliche Sensortypen zum Einsatz, die jeweils spezifische Stärken und Schwächen haben.
3.1 2D-Vision-Systeme: Die bewährte Standardlösung
Technologie: 2D-Kameras erfassen ein zweidimensionales Bild der Umgebung – ähnlich wie eine Digitalkamera. Sie liefern Helligkeits- und Farbinformationen, aber keine direkten Tiefendaten.
Anwendungen: Inspektion, Sortierung, Barcode-Lesen, Überwachung von Montagebändern .
Stärken: Kostengünstig, hochauflösend, Farbinformationen verfügbar, etablierte Technologie.
Schwächen: Keine Tiefeninformation, anfällig für Beleuchtungsänderungen, Probleme bei Reflexionen oder transparenten Objekten .
Marktbedeutung: Trotz des Trends zu 3D-Systemen dominieren 2D-Vision-Systeme noch immer den Markt. Im Jahr 2023 entfielen etwa 87% des Marktvolumens auf 2D-Systeme . Ihr Einsatz ist in vielen industriellen Standardanwendungen nach wie vor die wirtschaftlichste Lösung.
3.2 3D-Vision-Systeme: Der Blick in die Tiefe
3D-Vision-Systeme erfassen nicht nur die Fläche, sondern auch die räumliche Tiefe. Sie sind damit unverzichtbar für Anwendungen, die räumliches Verständnis erfordern – vom Greifen von Objekten bis zur Navigation in komplexem Gelände. Es gibt mehrere konkurrierende Technologien:
3.2.1 Stereokameras
Technologie: Zwei Kameras, die in einem bekannten Abstand zueinander montiert sind, nehmen das gleiche Objekt aus leicht unterschiedlichen Winkeln auf. Ähnlich wie das menschliche Sehsystem berechnet ein Algorithmus aus den Bildunterschieden (Disparität) eine Tiefenkarte .
Stärken: Funktioniert mit normalem Tageslicht, keine aktive Beleuchtung nötig, technologisch ausgereift.
Schwächen: Benötigt strukturierte Oberflächen mit erkennbaren Merkmalen, Probleme bei schlechter Beleuchtung, rechenintensiv.
3.2.2 Strukturiertes Licht (Structured Light)
Technologie: Ein Projektor wirft ein bekanntes Muster (z.B. ein Punktegitter oder Streifen) auf die Umgebung. Eine Kamera erfasst die Verzerrung dieses Musters durch die Objekte. Aus der Verformung wird die Tiefe berechnet .
Stärken: Sehr genaue Ergebnisse im Nahbereich, funktioniert auch auf strukturlosen Oberflächen (da das Muster die Struktur liefert).
Schwächen: Begrenzte Reichweite (typischerweise unter 1 Meter), anfällig für starkes Umgebungslicht, das das projizierte Muster überstrahlen kann.
3.2.3 Time-of-Flight (ToF)
Technologie: Ähnlich wie ein Lidar sendet eine ToF-Kamera Lichtsignale (meist Infrarot) aus und misst die Laufzeit bis zur Rückkehr des reflektierten Lichts. Jeder Pixel der Kamera liefert so eine direkte Entfernungsmessung .
Stärken: Hohe Bildraten (viele Frames pro Sekunde), gut für dynamische Szenen geeignet, kompakte Bauweise.
Schwächen: Geringere Auflösung als Stereokameras, potenzielle Interferenzen zwischen mehreren ToF-Kameras, begrenzte Reichweite.
3.2.4 Lasertriangulation
Technologie: Ein Laser projiziert eine Linie auf das Objekt. Eine Kamera erfasst diese Linie aus einem Winkel. Aus der Verformung der Linie wird das Höhenprofil des Objekts berechnet .
Stärken: Extrem präzise, ideal für Vermessungsaufgaben in der Qualitätskontrolle.
Schwächen: Punktweise Erfassung (Objekt oder Sensor muss bewegt werden), eher für stationäre Anwendungen geeignet.
3.3 Lidar (Light Detection and Ranging)
Technologie: Lidar-Sensoren senden Laserpulse aus und messen die Zeit bis zur Rückkehr des reflektierten Lichts (Laufzeitverfahren). Durch schnelles Abrastern der Umgebung entsteht eine detaillierte 3D-Punktwolke .
Anwendungen: Navigation, Kartierung, Hinderniserkennung, autonomes Fahren.
Stärken: Hohe Reichweite (bis zu mehreren hundert Metern), funktioniert unabhängig von Umgebungslicht, auch bei völliger Dunkelheit, direkte und präzise Entfernungsmessung.
Schwächen: Keine Farbinformationen, relativ hohe Kosten (obwohl diese sinken), bewegliche Teile bei rotierenden Scannern (bei Festkörper-Lidar zunehmend weniger).
Marktbedeutung: Der Lidar-Markt ist stark konzentriert. Im Jahr 2024 entfielen 95% des globalen Marktanteils auf nur drei Unternehmen: Suteng Juchuang (RoboSense), Huawei und Hesai Technology . Diese Unternehmen profitieren von ihrem Engagement im Bereich des autonomen Fahrens und übertragen ihre Technologie zunehmend auf die Robotik.
3.4 Taktile und haptische Sensoren: Die „Augen“ der Finger
Während Kameras und Lidar die Umgebung aus der Ferne erfassen, kommen taktile Sensoren zum Einsatz, wenn der Roboter mit Objekten in Kontakt tritt. Sie sind die „Haut“ des Roboters und ermöglichen feinmotorische Fähigkeiten, die mit rein visueller Wahrnehmung nicht zu erreichen wären.
3.4.1 MEMS-Sensoren (Mikroelektromechanische Systeme)
Technologie: Miniaturisierte mechanische Strukturen auf Silizium-Chips, die auf Druck, Beschleunigung oder Kraft reagieren und diese in elektrische Signale umwandeln .
Stärken: Sehr klein, kostengünstig in der Massenproduktion, hohe Empfindlichkeit, schnelle Reaktionszeiten (Millisekundenbereich).
Schwächen: Eher starr, weniger geeignet für großflächige, flexible Anwendungen.
Anwendungen: Die Fingerspitzen von Robotergreifern, Kraft-Momenten-Sensoren in Handgelenken. Teslas Optimus Gen2 kann dank solcher Sensoren rohe Eier greifen, ohne sie zu zerbrechen .
3.4.2 Elektronische Haut (E-Skin)
Technologie: Flexible, oft folienartige Materialien, die mit einer Matrix von Drucksensoren ausgestattet sind. Sie können auf gekrümmte Oberflächen aufgebracht werden und liefern ein ortsaufgelöstes Tastbild .
Stärken: Flexibel, großflächig einsetzbar, kann neben Druck auch Temperatur und Vibration erfassen.
Schwächen: Noch relativ teuer (etwa 5-8 mal teurer als MEMS-Lösungen), Probleme mit der Langzeitstabilität bei wiederholter mechanischer Belastung.
Marktbedeutung: Das japanische Unternehmen XELA Robotics ist mit seiner uSkin-Elektronikhaut ein führender Anbieter . Der Markt für elektronische Haut wird in China bis 2030 auf umgerechnet etwa 90,5 Milliarden Yuan geschätzt, was einem jährlichen Wachstum von über 64% entspricht .
3.5 Inertiale Messeinheiten (IMU): Der Gleichgewichtssinn
Technologie: IMUs kombinieren Beschleunigungssensoren und Gyroskope (Kreiselsensoren), um Bewegungen und Orientierungen im Raum zu erfassen .
Anwendungen: Stabilisierung, Positionsbestimmung (besonders wenn visuelle Signale ausfallen), Navigation.
Stärken: Unabhängig von äußeren Einflüssen, hohe Messraten, kompakte Bauweise.
Schwächen: Drift über längere Zeiträume (Fehler akkumulieren sich), daher immer in Kombination mit anderen Sensoren (z.B. Kameras) notwendig.
Marktbedeutung: Hier dominieren traditionell westliche Unternehmen wie Honeywell und Analog Devices (ADI) . Chinesische Hersteller wie Xindonglianke (Leadcore Technology) holen jedoch auf und bieten vergleichbare Leistung zu günstigeren Preisen (etwa 70-80% des Preises der Konkurrenz) .
4. Marktführer und Hersteller im Überblick <a name=“marktfuehrer“></a>
Der Markt für robotische Vision ist dynamisch und hart umkämpft. Eine Handvoll etablierter Player dominieren das Feld, doch es gibt auch zahlreiche spezialisierte Nischenanbieter und vielversprechende Start-ups.
4.1 Globale Marktentwicklung
Der Markt für robotische Vision wächst rasant. Von einem Volumen von 3,20 Milliarden US-Dollar im Jahr 2024 soll er bis 2032 auf 6,83 Milliarden US-Dollar anwachsen – das entspricht einer durchschnittlichen jährlichen Wachstumsrate von 10,1% . Allein der Teilmarkt der Vision-Sensoren wird sogar noch stärker wachsen: von 6,7 Milliarden US-Dollar (2025) auf prognostizierte 26,4 Milliarden US-Dollar im Jahr 2035 (CAGR 14,6%) .
Regional betrachtet ist Nordamerika mit einem Anteil von 37,81% (2024) der führende Markt, angetrieben durch die starke Automatisierung in der Fertigung und Logistik . Der asiatisch-pazifische Raum (APAC) wird jedoch das höchste Wachstum verzeichnen, getragen von der industriellen Expansion in China, Indien, Südkorea und Japan .
4.2 Die führenden Unternehmen
4.3 Spezialisierte Anbieter in Nischenmärkten
Neben den globalen Playern gibt es zahlreiche Unternehmen, die sich auf bestimmte Technologien oder Anwendungen spezialisiert haben:
- Baumer (Deutschland): Stark in der Sensorik, hat im September 2025 X-Sensors AG übernommen, um das Portfolio im Bereich Kraftsensoren zu erweitern .
- wenglor sensoric GmbH (Deutschland): Erfolgreiches mittelständisches Unternehmen mit starkem Fokus auf innovative optische Sensoren .
- ifm electronic (Deutschland): Breites Portfolio in der Industrieautomation, auch im Bereich Vision .
- Datalogic S.p.A. (Italien): Stark im Bereich Barcode-Lesen und automatische Datenerfassung .
4.4 Führende Unternehmen im 3D-Vision- und Lidar-Bereich
- Orbbec (Obizhongguang): Chinesischer Marktführer für 3D-Vision-Sensoren mit über 70% Marktanteil bei Servicerobotern in China .
- Intel RealSense: Langjährig etablierte 3D-Kameratechnologie, die in vielen Forschungsprojekten und industriellen Anwendungen zum Einsatz kommt .
- Suteng Juchuang (RoboSense), Huawei, Hesai Technology: Die „großen Drei“ im globalen Lidar-Markt mit einem gemeinsamen Marktanteil von 95% .
4.5 Start-ups und Innovationstreiber
Ein besonders vielversprechendes Start-up ist Yimu Technology aus China. Das 2016 gegründete Unternehmen hat einen bionischen visuell-taktilen Sensor entwickelt, der in seiner Dicke (nur etwa die Hälfte vergleichbarer Produkte) und Form an eine menschliche Fingerkuppe angelehnt ist .
Die Besonderheit: Der Sensor kombiniert visuelle Wahrnehmung mit hochauflösender Tastwahrnehmung in einem einzigen, extrem kompakten Gerät. Eine integrierte Kamera erfasst die Verformung einer elastischen Membran bei Kontakt mit einem Objekt. KI-Algorithmen berechnen daraus taktile Informationen wie Härte, Oberflächenstruktur und sogar die Gleitrichtung . Mit einer Kraftauflösung von 0,005 N und einer Ausgaberate von bis zu 120 fps ermöglicht der Sensor feinste mechanische Operationen.
Das Unternehmen hat bereits Kooperationsverträge mit Tesla und führenden chinesischen Roboterherstellern abgeschlossen und befindet sich in der Phase der kommerziellen Anwendung .
5. Innovative Zukunftstechnologien <a name=“zukunftstechnologien“></a>
Die Forschung an neuen Wahrnehmungstechnologien schreitet rasant voran. Drei Entwicklungen sind besonders vielversprechend.
5.1 Multimodale Sensoren: Ein Sensor für alle Sinne
Die bisherige Praxis, für jede Wahrnehmungsmodalität einen eigenen Sensor zu verbauen, stößt an Grenzen: Mehr Sensoren bedeuten mehr Volumen, höhere Kosten, komplexere Kalibrierung und potenzielle Interferenzen .
Ein vielversprechender Lösungsansatz sind multimodale Sensoren, die verschiedene Wahrnehmungsmodalitäten in einem einzigen Gerät vereinen. Ein herausragendes Beispiel ist der „Vision-Proximity-Tactility Sensor“ (VPTS), der von Forschern der Huazhong University of Science and Technology entwickelt wurde .
Funktionsweise des VPTS:
- Kernstück ist eine einzelne fokussierbare Monokamera
- Eine transparente Membran ist mit UV-fluoreszierenden Markern versehen
- Visueller Modus: UV-Licht aus, Kamera auf Fernfokus – der Sensor sieht die Umgebung
- Näherungsmodus: Ebenfalls UV-Licht aus, Fernfokus – Tiefeninformationen werden erfasst
- Taktiler Modus: UV-Licht an, Kamera auf Nahfokus – die fluoreszierenden Marker leuchten, ihre Verformung bei Kontakt wird erfasst
Jede Modalität wird von einem eigenen Deep-Learning-Modul verarbeitet. Das System erreicht beeindruckende Leistungswerte: einen F1-Score von 0,9733 in der visuellen Wahrnehmung, einen mittleren absoluten Fehler von nur 5,098 mm bei der Abstandsmessung und 0,653 mN (Millinewton) Root-Mean-Square-Fehler bei der Krafterfassung .
In einem Experiment mit einem Computerspiel konnte der Sensor eine Sequenz von 28 aufeinanderfolgenden Teilaufgaben bewältigen – ein Beleg für seine Leistungsfähigkeit in komplexen, langen Interaktionssequenzen .
5.2 Event-Based Vision: Sehen wie ein Insekt
Herkömmliche Kameras arbeiten mit festen Bildraten (z.B. 30 oder 60 Bilder pro Sekunde). Sie erfassen jedes Bild vollständig, unabhängig davon, ob sich in der Szene etwas bewegt oder nicht. Das ist ineffizient und erzeugt große Datenmengen.
Event-Based Kameras (auch neuromorphe Kameras genannt) funktionieren grundlegend anders. Ihre Pixel arbeiten unabhängig voneinander und senden nur dann ein Signal (ein „Event“), wenn sich die Helligkeit an diesem Punkt ändert .
Vorteile:
- Extrem hohe zeitliche Auflösung (Mikrosekunden-Bereich)
- Sehr geringe Latenz
- Hoher Dynamikumfang (funktioniert auch bei extremen Beleuchtungswechseln)
- Geringer Datenanfall (nur bei Bewegung)
Nachteile:
- Andere Verarbeitungsalgorithmen nötig (herkömmliche Bildverarbeitung funktioniert nicht)
- Noch relativ teuer
- Keine Farbinformationen
Event-Based Vision ist besonders für Anwendungen geeignet, die extrem schnelle Reaktionen erfordern – etwa die Kollisionsvermeidung bei Hochgeschwindigkeitsrobotern oder die Objektverfolgung in der Drohnennavigation .
5.3 Generative KI für Training und Szenenverständnis
Die Einführung generativer KI-Modelle (wie ChatGPT, aber für visuelle Aufgaben) eröffnet völlig neue Möglichkeiten .
Synthetische Trainingsdaten: Ein großes Problem beim Training von KI-Modellen ist der Bedarf an riesigen, annotierten Datensätzen. Generative KI kann realistische Trainingsszenen synthetisch erzeugen – komplett mit perfekten Annotationen. Das spart Zeit und Geld und ermöglicht das Training für Szenarien, die in der Realität schwer zu erfassen sind (z.B. seltene Fehlerfälle in der Qualitätskontrolle).
Szenenvervollständigung: Generative Modelle können aus Teilansichten einer Szene plausible Vervollständigungen generieren. Wenn ein Roboter nur die Vorderseite eines Objekts sieht, kann das Modell „wissen“, wie die Rückseite wahrscheinlich aussieht – ähnlich wie ein Mensch das tut.
Visuelles Reasoning: Modelle wie Gemini Robotics von Google verbinden visuelle Wahrnehmung mit Sprachverständnis. Sie können nicht nur Objekte erkennen, sondern auch Beziehungen zwischen ihnen verstehen und auf natürlichsprachliche Anweisungen reagieren .
6. Alternative und visionäre Ansätze <a name=“alternative-ansaetze“></a>
Über die etablierten Technologien hinaus gibt es faszinierende Ansätze, die zum Teil noch im Laborstadium sind, aber das Potenzial haben, die Robotik grundlegend zu verändern.
6.1 Visuell-haptische Fusion ohne direkte Berührung
Eine interessante Forschungsrichtung am Karlsruher Institut für Technologie (KIT) beschäftigt sich mit der Frage, wie visuelle Wahrnehmung durch haptische und propriozeptive Daten unterstützt werden kann, noch bevor eine Berührung stattfindet .
Die Idee: Wenn ein Roboter ein Objekt visuell erkannt hat, kann er durch geschickte Bewegungen oder durch die Analyse von Schatten und Reflexionen bereits vor der Berührung Rückschlüsse auf dessen Materialeigenschaften ziehen. So lässt sich zum Beispiel eine leere von einer vollen Getränkedose unterscheiden, ohne sie anfassen zu müssen.
Das langfristige Ziel ist der Aufbau multimodaler Objektrepräsentationen, die nicht nur die visuelle Erscheinung eines Objekts speichern, sondern auch seine physikalischen Eigenschaften – lange bevor der Roboter es tatsächlich berührt hat .
6.2 Visuelles Servoing: Auge-Hand-Koordination in Echtzeit
Beim Visuellen Servoing (auch Visual Servoing) wird die Kamerainformation direkt in die Bewegungssteuerung des Roboters zurückgeführt . Es gibt zwei Hauptvarianten:
Position-Based Visual Servoing (PBVS):
Hier wird aus den Kamerabildern zunächst eine 3D-Position des Zielobjekts berechnet. Diese Position wird dann mit der aktuellen Roboterposition verglichen, und die Bewegungsbefehle werden entsprechend angepasst. Das KIT hat ein solches Framework für seinen humanoiden Roboter ARMAR-III entwickelt, das Motordaten, Bildverarbeitung und haptische Sensoren fusioniert .
Image-Based Visual Servoing (IBVS):
Hier wird direkt mit den Bildmerkmalen gearbeitet. Der Roboter versucht nicht, eine abstrakte 3D-Position zu erreichen, sondern die Merkmale im Kamerabild (z.B. die Ecken eines Objekts) in eine Soll-Position zu bringen. Das ist oft robuster gegenüber Kalibrierungsfehlern.
Bimanual Visual Servoing:
Eine besondere Herausforderung ist die Koordination beider Arme. Das KIT hat ein Framework entwickelt, das es ARMAR-III ermöglicht, zweihändige Greifbewegungen robust auszuführen. Die Position des Zielobjekts und beider Hände wird abwechselnd erfasst, und eine kombinierte Open-/Closed-Loop-Regelung ermöglicht die präzise Positionierung . Die Integration von Kraft-Momenten-Sensoren erlaubt eine reaktive Regelung, die bei unerwarteten Kontakten für erhöhte Sicherheit sorgt .
6.3 Quantenbildsensoren: Das ultimative Rauschen?
Ein visionärer Ansatz, der noch in den Kinderschuhen steckt, aber enormes Potenzial hat, ist die Nutzung von Quanteneffekten in der Bildsensorik. Quantenbildsensoren könnten eines Tages in der Lage sein, einzelne Photonen nachzuweisen und damit Bilder bei extrem schlechten Lichtverhältnissen zu liefern – oder sogar „um die Ecke zu sehen“, indem sie verschränkte Photonen nutzen.
Die technischen Hürden sind gewaltig (Quantensensoren arbeiten meist bei extrem tiefen Temperaturen und sind entsprechend groß und teuer), aber erste Labordemonstrationen zeigen, dass das Prinzip funktioniert. Für spezielle Anwendungen in der Wissenschaft oder im Militärbereich könnten solche Sensoren in einigen Jahrzehnten relevant werden.
7. Die multisensorische Zukunft: Fusion als Königsweg <a name=“multisensorische-zukunft“></a>
Was lernen wir aus all dem? Die Zukunft der robotischen Wahrnehmung liegt nicht in einem einzigen, perfekten Sensor. Sie liegt in der intelligenten Kombination verschiedener, sich ergänzender Technologien. Die Entwicklung des VPTS zeigt, dass selbst die Unterscheidung zwischen verschiedenen Modalitäten (Sehen, Hören, Fühlen) zunehmend verschwimmt . Die Forschung am KIT demonstriert, wie visuelle, propriozeptive und taktile Information zu einem ganzheitlichen Objektverständnis verwoben werden können . Und die Marktentwicklung belegt, dass 3D-Vision und KI-gestützte Wahrnehmung längst keine Zukunftsmusik mehr sind, sondern in der industriellen Praxis angekommen .
Die Robotik befindet sich auf dem Weg von der bloßen Automatisierung hin zur echten Autonomie. Die „Augen“ der Roboter werden dabei immer leistungsfähiger, aber auch immer vielfältiger. Sie sehen nicht nur, sie fühlen, sie verstehen und sie lernen. Die nächste Generation von Robotern wird die Welt um sich herum nicht mehr nur wahrnehmen, sondern sie aktiv interpretieren und mit ihr interagieren – auf eine Art und Weise, die der menschlichen Wahrnehmung immer ähnlicher wird.
Und genau das ist die eigentliche Revolution: Roboter bekommen nicht nur bessere Augen. Sie bekommen ein Verständnis dafür, was sie sehen.
8. Quellenverzeichnis <a name=“quellen“></a>
- ABB Robotics (2025). ABB Robotics präsentiert OmniCore™ EyeMotion für Vision-gestützte Autonomie. [online] Verfügbar unter: https://new.abb.com/news/de/detail/129110/abb-robotics-praesentiert-omnicore-eyemotion [Zugriff am 22. Februar 2026].
- Pu, M., Zhao, T., Zhang, L., Han, C., Chai, Z., Zhou, Y., Ding, H. & Wu, Z. (2025). An AI-Enabled All-In-One Visual, Proximity, and Tactile Perception Multimodal Sensor. Advanced Hub, Wiley. [online] Verfügbar unter: https://advanced.onlinelibrary.wiley.com/doi/full/10.1002/adrr.202500062 [Zugriff am 22. Februar 2026].
- GII Research / Fortune Business Insights (2025). *Robotic Vision Market Size, Share, Growth and Global Industry Analysis By Type & Application, Regional Insights and Forecast to 2024-2032*. [online] Verfügbar unter: https://www.giiresearch.com/report/fbs1880611-robotic-vision-market-size-share-growth-global.html [Zugriff am 22. Februar 2026].
- 36Kr (2025). *Yimu Technology: Verleiht Robotern „Augen, die den Tastsinn wahrnehmen können“ mit eigener fingertip – genauer bion
Kommentar abschicken