Die Kinematik eines Industrieroboters mag beeindrucken – nutzbar wird sie erst durch ein Programm, das Bewegungen, Signale und Prozessparameter koordiniert. Roboterprogrammierung ist damit eine der zentralen Ingenieursdisziplinen im Maschinenbau, deren Methoden sich in den vergangenen Jahrzehnten erheblich weiterentwickelt haben. Gleichzeitig ist sie ein häufig unterschätzter Kostenfaktor: Rüst- und Programmierzeiten machen bei kleinen und mittleren Losgrößen einen erheblichen Anteil der Gesamtbetriebskosten aus. Wer die verfügbaren Verfahren kennt und richtig bewertet, kann diesen Anteil gezielt senken.
Grundsätzlich lassen sich alle Programmiermethoden in zwei Klassen einteilen: Online-Verfahren, bei denen der Roboter während der Programmierung in Betrieb und physisch zugänglich ist, und Offline-Verfahren, bei denen das Programm ohne Robotereinsatz am Rechner entsteht. Diese Trennung ist nicht nur organisatorischer Natur, sondern hat unmittelbare Konsequenzen für Anlagenverfügbarkeit, Sicherheitsanforderungen und die benötigte Qualifikation des Personals.
Teach-in und Handführung: Der direkte Weg zum Programm
Das älteste und in der Praxis noch immer weit verbreitete Online-Verfahren ist das Teach-in. Der Programmierer fährt den Roboter mithilfe eines Handbediengeräts – in der Branche als Teach Pendant bezeichnet – Punkt für Punkt in die gewünschten Positionen. Jede Position wird gespeichert, ergänzt um Bewegungstyp (Linear-, Achs- oder Kreisbewegung), Geschwindigkeit und Übergabebedingungen. Das Ergebnis ist ein sequenzielles Programm aus Wegpunkten und Prozessbefehlen.
Eine Variante des Teach-in ist das Playback-Verfahren, bei dem ein Werker den Roboterarm manuell in eine Sequenz von Posen führt, während das Steuerungssystem die Achswinkel in hoher Abtastrate aufzeichnet. Dieses Vorgehen eignet sich für kontinuierliche Bahnbewegungen wie Kleben oder Dichten, ist jedoch empfindlich gegenüber Reprofilierungsfehlern bei der Wiedergabe. Bei Cobots hat sich eine weitere Variante etabliert: das direkte Handführen am Arm, das ohne Teach Pendant auskommt und die Einstiegshürde für Bediener ohne Robotikkenntnisse erheblich senkt. Die resultierende Programmqualität hängt dabei stark von der Sorgfalt des Einrichters ab.
Textuelle Programmiersprachen und herstellerspezifische Systeme
Über die reine Wegpunktprogrammierung hinaus bieten alle namhaften Robotersteuerungen textuelle Hochsprachen, mit denen sich Programmlogik, Sensorintegration, Kommunikation und Fehlerbehandlung strukturiert abbilden lassen. Historisch gewachsene Beispiele sind RAPID (ABB), KRL (KUKA), Inform (Yaskawa) oder Karel (FANUC). Diese Sprachen sind prozedurale Hochsprachen mit roboterspezifischen Erweiterungen für Poses, Frames und I/O-Zugriffe.
Der Vorteil textueller Programmierung liegt in der vollständigen Ausdrucksmächtigkeit: Schleifen, Bedingungen, Unterprogramme, Variablen und Fehlerhandler lassen sich sauber strukturieren. Der Nachteil ist die Herstellerbindung: Programme sind zwischen Fabrikaten nicht portierbar, was bei Systemerweiterungen zu erheblichem Migrationsaufwand führt. Normierungsversuche wie die IEC 61131-3-kompatible Programmierung oder das Konzept hinter der zurückgezogenen Norm ISO 9283 haben den Markt bislang nicht vereinheitlicht. In jüngerer Zeit gewinnen auf Python basierende oder skriptfähige Schnittstellen an Bedeutung, insbesondere im Forschungsumfeld und bei kollaborativen Systemen.
Offline-Programmierung: Rüstzeit vom Rüstprozess entkoppeln
Offline-Programmierung (OLP) bezeichnet die Erstellung von Roboterprogrammen in einer rechnergestützten Simulationsumgebung, ohne dass der reale Roboter blockiert wird. Auf Basis eines CAD-Modells der Zelle – inklusive Roboter, Werkzeug, Werkstück und Vorrichtungen – werden Bahnen geplant, auf Kollisionen geprüft und anschließend in herstellerspezifischen Code übersetzt. Dieser Postprozessor-Schritt ist konzeptionell vergleichbar mit der NC-Programmierung in der Zerspanungstechnik.
Der wesentliche Vorteil liegt auf der Hand: Die Anlage produziert, während das Folgeprogramm vorbereitet wird. Insbesondere bei varianten- und geometriereichen Teilen, wie sie in der Karosseriefertigung oder beim Laserschweißen auftreten, amortisiert sich der OLP-Aufwand schnell. Kritisch ist die Genauigkeit der Simulation: Differenzen zwischen virtuellem Modell und realem Aufbau – durch Fertigungstoleranzen, Kabelzug oder Kalibrierungsfehler – erfordern nach der Übertragung regelmäßig ein Feinabgleich. Moderne OLP-Systeme integrieren daher Messpunkte und Kalibrierungsroutinen, die die Residualfehler automatisch kompensieren.
Bahnplanung und Bewegungsplanung: Was die Steuerung intern leistet
Unabhängig von der Programmiermethode muss die Robotersteuerung aus einer Folge von Zielposen eine physikalisch realisierbare Bahn berechnen. Die Bahnplanung operiert dabei auf zwei Ebenen: der kartesischen Interpolation im Arbeitsraum und der Achsrauminterpolation. Bei der Linearbewegung (LIN) wird der TCP entlang einer Geraden geführt, während die Steuerung kontinuierlich die inversekinematische Lösung berechnet. Bei der Achsrauminterpolation (PTP – Point-to-Point) bewegen sich alle Achsen synchron, was schneller, aber bezüglich der kartesischen Bahn nicht vorhersehbar ist.
Eng damit verbunden sind Überschleifbereiche: Statt jeden Wegpunkt exakt anzufahren, rundet die Steuerung Ecken durch parametrierbare Blending-Zonen ab. Dadurch bleiben Geschwindigkeit und Beschleunigung kontinuierlich, was mechanischen Verschleiß reduziert und Zykluszeiten verkürzt. Die Güte der Bahntreue hängt von der Reglerarchitektur, der Abtastrate der Steuerung und der mechanischen Steifigkeit des Roboters ab – Faktoren, die bei der Auswahl eines Roboters für präzisionsintensive Anwendungen wie Laserschneiden oder Dichtungsapplikation entscheidend sind.
KI-gestützte und sensorbasierte Programmieransätze
Klassische Programmiermethoden stoßen dort an Grenzen, wo Werkstücke lageungenau zugeführt werden, Oberflächen variieren oder die Aufgabe sich häufig ändert. Hier greifen sensorbasierte Ansätze: Kraftmomentensensoren ermöglichen kraft- oder nachgiebigkeitsgeregelte Montageoperationen, bei denen der Roboter auf Widerstände im Prozess reagiert, ohne dass jede Position exakt vorprogrammiert sein muss. Kamerabasierte Systeme, kombiniert mit 2D- oder 3D-Bildverarbeitung, erlauben die Positionskorrektur in Echtzeit auf Basis aktueller Messdaten.
Darüber hinaus gewinnen lernbasierte Verfahren an industrieller Reife. Beim Imitation Learning demonstriert ein menschlicher Operator eine Aufgabe, während der Roboter die Bewegung aufzeichnet und daraus ein verallgemeinerungsfähiges Modell ableitet. Reinforcement Learning – das Erlernen optimaler Strategien durch Versuch und Fehler in simulierten oder realen Umgebungen – hat Einzug in Greif- und Sortierapplikationen gehalten. Beide Ansätze reduzieren den Programmierbedarf strukturell, erfordern jedoch erheblichen Aufwand für Datenerfassung, Modellvalidierung und Sicherheitsnachweis.
Auswahlkriterien für die Praxis
Die Wahl der Programmiermethode ist keine akademische Frage, sondern ein wirtschaftliches Optimierungsproblem. Entscheidend sind Losgröße und Variantenvielfalt: Bei großen Serien mit stabiler Geometrie rechtfertigen auch aufwendige Teach-in-Kampagnen den Aufwand, weil die Investition auf viele Zyklen verteilt wird. Bei kleinen Losen und häufigem Produktwechsel amortisiert sich Offline-Programmierung schneller – vorausgesetzt, die CAD-Daten liegen in geeigneter Qualität vor.
Die Qualifikation des verfügbaren Personals ist ein zweiter Schlüsselfaktor. Textuelle Programmierung setzt Kenntnisse der jeweiligen Herstellersprache voraus; OLP erfordert CAD-Kompetenz und Simulationserfahrung; lernbasierte Verfahren verlangen Kenntnisse in Datenverarbeitung und Modellvalidierung. Betreiber, die ihre Robotiklandschaft skalieren möchten, sollten daher frühzeitig in eine methodenoffene Ausbildungsstrategie investieren, anstatt sich ausschließlich auf einen Anbieter zu stützen. Die zunehmende Verfügbarkeit herstellerübergreifender Entwicklungsumgebungen und standardisierter Middleware-Schichten wie ROS 2 erleichtert diesen Weg, ersetzt jedoch nicht das tiefe Verständnis der jeweiligen Steuerungsarchitektur.
