Ein Industrieroboter, der in einer Automobilfabrik Schweißnähte setzt, ein medizinischer Assistent, der bei einer Knieoperation hilft, ein autonomes Fahrzeug, das Hindernisse erkennt: All diese Systeme teilen eine gemeinsame technische Basis aus Antrieben, Steuerungselektronik und zunehmend aus Methoden der künstlichen Intelligenz. Wer versteht, wie diese drei Ebenen zusammenwirken, versteht, warum Roboter heute Aufgaben übernehmen, die noch vor zehn Jahren als nicht automatisierbar galten.
Antriebe: Muskeln der Maschine
Der Antrieb bestimmt, welche Kräfte ein Roboter aufbringen kann und wie präzise er sich bewegt. In der Industrierobotik dominieren elektrische Servomotoren, weil sie exakt regelbar, wartungsarm und schnell sind. Ein typischer Sechsachsroboter für die Automobilfertigung, etwa ein KUKA KR QUANTEC, verfügt an jeder Achse über einen eigenen Servomotor mit integriertem Getriebe. Die Wiederholgenauigkeit solcher Systeme liegt bei unter 0,05 Millimetern, also weniger als einem halben Menschenhaar.
Daneben existieren hydraulische Antriebe, die vor allem dort eingesetzt werden, wo extreme Kräfte gefragt sind, etwa in Pressen oder bei schweren Baumaschinen. Pneumatik spielt in der Handhabungstechnik eine Rolle, wenn es um einfache Greifbewegungen mit hoher Taktrate geht. Ein pneumatischer Greifer öffnet und schließt sich in weniger als 50 Millisekunden, kann aber keine kontinuierlichen Zwischenpositionen ansteuern.
Für humanoide Roboter und Cobots (kollaborative Roboter, die direkt neben Menschen arbeiten) gewinnen elastische Antriebe an Bedeutung. Sie federn äußere Stöße ab und machen den Kontakt mit Menschen sicherer. Der Roboter Spot von Boston Dynamics nutzt eine Kombination aus hydraulischen und elektrischen Aktuatoren, um auf unebenem Gelände stabil zu laufen.
Steuerungsarchitekturen: Vom Regler zur Echtzeitsoftware
Die Steuerung ist das Gehirn des Roboters. Sie empfängt Sollwerte, verarbeitet Sensordaten und gibt Steuersignale an die Antriebe aus, alles in Echtzeit. In klassischen Industrierobotern geschieht das über speicherprogrammierbare Steuerungen (SPS) oder dedizierte Robotercontroller. Diese führen vorprogrammierte Bewegungspfade aus und reagieren auf klar definierte Signale aus der Peripherie.
Moderne Steuerungen arbeiten mehrstufig. Auf der untersten Ebene sitzt die Antriebsregelung, die den Motor im Mikrosekunden-Takt regelt. Darüber liegt die Bewegungsplanung, die Bahnkurven interpoliert und Kollisionsvermeidung berechnet. Ganz oben steht die Aufgabenebene, die festlegt, was der Roboter wann tun soll. Diese Hierarchie nennt sich in der Fachsprache „Drei-Ebenen-Architektur“ und ist seit den 1980er-Jahren ein Grundmodell der Robotersteuerung.
Das Robot Operating System (ROS) hat sich in Forschung und zunehmend auch in der Industrie als offene Middleware-Plattform etabliert. Es ermöglicht die Kommunikation zwischen verschiedenen Softwarekomponenten über standardisierte Schnittstellen und beschleunigt die Entwicklung neuer Robotikanwendungen erheblich. ROS 2, die aktuelle Generation, unterstützt echtzeitfähige Kommunikation und ist daher auch für sicherheitskritische Anwendungen geeignet.
Sensorik: Die Verbindung zur Umwelt
Kein Antrieb, keine Steuerung funktioniert ohne Sensorik. Industrieroboter nutzen Encoder an den Gelenken, um Winkelposition und Geschwindigkeit zu messen. Kraft-Momenten-Sensoren am Endeffektor erfassen Kontaktkräfte mit einer Auflösung von wenigen Millinewton. Kameras, Lidar-Scanner und Tiefensensoren liefern Umgebungsinformationen für autonome Navigation und Greifplanung.
Ein Beispiel: Beim sogenannten Bin-Picking greift ein Roboter zufällig angeordnete Teile aus einem Behälter. Dafür analysiert ein 3D-Kamerasystem die Lage jedes einzelnen Teils, die KI berechnet eine geeignete Greifposition, und die Steuerung führt die Bewegung aus. Solche Systeme erreichen heute Taktzeiten unter zwei Sekunden pro Bauteil.
Künstliche Intelligenz: Lernende Systeme statt starrer Programme
Klassische Robotersteuerungen folgen explizit programmierten Regeln. KI-basierte Ansätze hingegen lernen Verhalten aus Daten oder durch Interaktion mit der Umwelt. Dabei kommen vor allem drei Methoden zum Einsatz: maschinelles Lernen, Deep Learning und Reinforcement Learning.
Beim Reinforcement Learning probiert der Roboter Aktionen aus, erhält Feedback in Form von Belohnungen oder Strafen und optimiert sein Verhalten schrittweise. OpenAIs Dexterous Hand erlernte auf diese Weise das Lösen eines Zauberwürfels, nachdem sie in einer simulierten Umgebung hunderte Millionen virtueller Trainingsschritte absolviert hatte. Das Modell wurde dann auf den physischen Roboter übertragen, ein Verfahren namens Sim-to-Real-Transfer.
Für einen strukturierten Überblick, welche Technologien in verschiedenen Bereichen der Robotik heute eingesetzt werden, lohnt sich ein Blick auf die Technologien moderner Robotik, wo die verschiedenen Systemkomponenten anschaulich eingeordnet sind.
Deep-Learning-Modelle verbessern vor allem die Bildverarbeitung. Industriecameras erkennen Defekte an Oberflächen schneller und zuverlässiger als menschliche Prüfer, solange das Trainingsset groß und repräsentativ genug ist. Schwäche dieser Ansätze: Sie funktionieren oft schlecht außerhalb ihrer Trainingsdaten und sind schwer zu interpretieren.
Sicherheit und Normierung
Mit steigender Autonomie wächst die Bedeutung von Sicherheitsstandards. In Europa gilt für Maschinen und damit auch für Roboter die Maschinenverordnung (EU) 2023/1230, die seit Juni 2023 in Kraft ist und die alte Maschinenrichtlinie 2006/42/EG ablöst. Sie stellt erstmals explizite Anforderungen an Systeme mit eingebetteter KI.
Die Normierungsarbeit übernimmt auf internationaler Ebene die ISO. Die Norm ISO 10218 regelt die Sicherheit von Industrierobotern, während ISO/TS 15066 spezifisch für kollaborative Systeme gilt und Grenzwerte für Kontaktkräfte und -drücke zwischen Mensch und Roboter definiert. Das Deutsche Institut für Normung (DIN) ist maßgeblich an der deutschen Umsetzung dieser Normen beteiligt und spiegelt internationale Standards in das nationale Regelwerk ein.
Wohin entwickelt sich die Technik?
Drei Trends zeichnen sich für die nächsten Jahre ab:
- Edge AI: KI-Modelle laufen direkt auf dem Roboter-Controller, ohne Cloud-Verbindung. Das reduziert Latenz und erhöht Datensicherheit.
- Digitale Zwillinge: Jeder physische Roboter bekommt ein virtuelles Pendant, das Wartungsbedarfe vorhersagt und neue Programme ohne Produktionsunterbrechung testet.
- Humanoide Roboter: Systeme wie Tesla Optimus oder Figure 01 sollen in wenigen Jahren in normalen Produktionsumgebungen arbeiten, die bisher für Menschen ausgelegt sind.
Die Konvergenz aus präziser Antriebstechnik, echtzeitfähiger Steuerung und lernfähiger KI macht Roboter zu einem der dynamischsten Felder der angewandten Technik. Die Grundlagen dafür sind nicht neu, ihre Kombination aber ist es, und genau das verändert gerade, was Maschinen können.
