Ein Industrieroboter, der einen Schweißpunkt anfahren soll, löst dabei ein mathematisch komplexes Problem: Er muss eine kollisionsfreie, kinematisch zulässige und möglichst effiziente Bahn durch seinen Arbeitsraum finden. Was für den Beobachter wie eine selbstverständliche Bewegung wirkt, ist das Ergebnis von Algorithmen, die Hunderttausende von Zustandskombinationen bewerten und ausschließen. Wegplanung und Kollisionsvermeidung gehören zu den rechnerisch anspruchsvollsten Aufgaben in der Robotersteuerung. Die zugrunde liegenden Konzepte stammen aus der Robotik, der algorithmischen Geometrie und der Regelungstechnik und wurden über Jahrzehnte für den Industrieeinsatz verfeinert.
Das Verständnis dieser Grundlagen ist für Ingenieure in der Automatisierungstechnik aus mehreren Gründen relevant: Es beeinflusst die Auswahl geeigneter Steuerungsarchitekturen, die Layoutplanung von Roboterzellen, die Programmierung von Ausweichstrategien und nicht zuletzt die Beurteilung, welche Aufgabenstellungen mit welchem Aufwand automatisierbar sind.
Konfigurationsraum: Die mathematische Grundlage der Bewegungsplanung
Der zentrale Begriff jeder Bewegungsplanung ist der Konfigurationsraum, in der Fachliteratur auch als C-Space bezeichnet. Er beschreibt alle möglichen Zustände eines Roboters durch die Gesamtheit seiner Gelenkwinkel. Ein sechsachsiger Gelenkarmroboter besitzt einen sechsdimensionalen Konfigurationsraum. Jede Konfiguration entspricht einem Punkt in diesem abstrakten Raum. Hindernisse im physischen Raum werden in sogenannte C-Space-Hindernisse überführt: Alle Konfigurationen, in denen der Roboter mit einem Objekt kollidieren würde, werden als unzulässig markiert. Der freie Konfigurationsraum, oft als C-free bezeichnet, enthält ausschließlich kollisionsfreie Zustände.
Die Herausforderung besteht darin, dass der Konfigurationsraum nicht direkt geometrisch vorliegt, sondern aus der Kinematik des Roboters und der Geometrie der Umgebung berechnet werden muss. Für einfache planare Systeme ist das analytisch handhabbar. Für hochdimensionale Systeme mit komplexer Umgebungsgeometrie ist eine vollständige explizite Berechnung von C-free praktisch nicht durchführbar. Stattdessen nutzen moderne Planer approximative und stichprobenartige Methoden.
Klassische Planungsverfahren: Gitter, Potenzialfelder und probabilistische Methoden
Gitterbasierte Methoden diskretisieren den Konfigurationsraum in ein regelmäßiges Raster und suchen darin mit Algorithmen wie A* oder Dijkstra nach dem kürzesten kollisionsfreien Pfad. Sie garantieren Vollständigkeit und Optimalität innerhalb der gewählten Auflösung, skalieren aber schlecht mit der Dimensionszahl des Konfigurationsraums. Bei sechs oder mehr Freiheitsgraden wird der Rechenaufwand prohibitiv.
Potenzialfeld-Methoden modellieren den Zielzustand als attraktives Potential und Hindernisse als abstoßende Potentiale. Der Roboter folgt dem negativen Gradienten des resultierenden Potentialfeldes. Diese Methode ist echtzeitfähig und konzeptionell elegant, leidet jedoch an lokalen Minima: Der Roboter kann in einem Potentialtrog stecken bleiben, ohne dass ein globaler Weg vorhanden ist.
Probabilistisch arbeitende Verfahren umgehen die Fluchdimensionalität durch Stichprobennahme. Die bekanntesten Vertreter sind der Probabilistic Roadmap Planner (PRM) und die Rapidly-exploring Random Trees (RRT). PRM baut in einer Lernphase einen Graphen aus zufällig gezogenen, kollisionsfreien Konfigurationen und verbindet diese durch lokale Planer. RRT hingegen wächst inkrementell von der Startkonfiguration aus in den freien Raum und findet mit hoher Wahrscheinlichkeit eine Lösung, sofern eine existiert. Varianten wie RRT* liefern asymptotisch optimale Lösungen. Diese Algorithmen sind heute in den meisten industriellen Bewegungsplanungsbibliotheken wie MoveIt oder Open Motion Planning Library (OMPL) implementiert.
Kollisionserkennung: Geometrische Modelle und Bounding-Volume-Hierarchien
Jeder Bewegungsplaner muss in der Lage sein, schnell zu entscheiden, ob eine gegebene Konfiguration zu einer Kollision führt. Dafür werden Kollisionserkennungsmodule eingesetzt, die geometrische Modelle des Roboters und seiner Umgebung verwalten. Im einfachsten Fall werden Körper durch achsenausgerichtete Bounding Boxes (AABB) oder Kugeln approximiert. Solche vereinfachten Hüllen erlauben sehr schnelle Überschneidungstests, liefern aber konservative Ergebnisse.
Präzisere Verfahren nutzen Bounding-Volume-Hierarchien (BVH): Objekte werden rekursiv in hierarchische Hüllkörper unterteilt, so dass überlappungsfreie Regionen früh ausgeschlossen werden können. Für konvexe Körper ist der GJK-Algorithmus (Gilbert-Johnson-Keerthi) verbreitet, der den Abstand zweier konvexer Mengen effizient berechnet. Im Industrieeinsatz müssen Kollisionsmodelle einen Kompromiss aus Präzision und Rechengeschwindigkeit abbilden: Zu grobe Modelle führen zu unnötigen Einschränkungen des Arbeitsraums, zu feine Modelle verlangsamen den Planer bis zur Echtzeit-Untauglichkeit.
Bahnplanung im Gelenkraum versus im kartesischen Raum
In der industriellen Praxis wird zwischen zwei grundlegenden Planungsdomänen unterschieden. Bei der Punkt-zu-Punkt-Bewegung im Gelenkraum interpoliert die Steuerung die Gelenkwinkel zwischen Start- und Zielkonfiguration. Der Werkzeugmittelpunkt folgt dabei einer im Allgemeinen gekrümmten, vorab unbekannten Bahn im kartesischen Raum. Diese Methode ist recheneffizient und vermeidet kinematische Singularitäten, bietet jedoch keine Kontrolle über die tatsächliche Raumkurve.
Beim kartesischen Planen hingegen wird die gewünschte Werkzeugbahn im Arbeitsraum vorgegeben, etwa als Gerade oder Kreisbogen, und die Steuerung berechnet mittels inverser Kinematik laufend die zugehörigen Gelenkwinkel. Das ermöglicht prozesssichere Bahnen, wie sie beim Schweißen, Kleben oder Bearbeiten erforderlich sind, birgt jedoch das Risiko von Singularitäten und Gelenkwinkelsprüngen. Nahe einer Singularität werden kleine kartesische Bewegungen in sehr große Gelenkbewegungen übersetzt, was zur Instabilität führen kann.
Dynamische Hindernisse und reaktive Planung
Klassische Bewegungsplanung setzt eine statische Umgebung voraus. In realen Fertigungsumgebungen sind jedoch bewegliche Werkstücke, andere Roboterarme oder menschliche Bediener präsent. Reaktive Planungsverfahren kombinieren eine offline berechnete Nominalbahn mit einer Echtzeitkomponente, die Sensorinformationen auswertet und lokale Ausweichbewegungen generiert. Gängige Ansätze sind Velocity-Obstacle-Methoden, dynamische Potenzialfelder und modellprädiktive Regelung (MPC). In kollaborativen Szenarien, etwa wenn ein Mensch in den Arbeitsbereich eines Cobots tritt, muss der Planer innerhalb von Millisekunden eine sichere Alternative berechnen.
Moderne Steuerungsarchitekturen trennen daher die globale Bahnplanung, die offline oder mit längeren Planungshorizonten arbeitet, von der lokalen reaktiven Schicht, die mit Zykluszeiten von einem bis wenigen Millisekunden auf Sensorereignisse reagiert. Die Integration von Tiefen- und Abstandssensoren, wie Time-of-Flight-Kameras oder Laserscannern, liefert dabei die notwendige Umgebungswahrnehmung.
Praktische Grenzen und Ausblick
Trotz erheblicher algorithmischer Fortschritte bleiben wesentliche Herausforderungen bestehen. Die Qualität der Bewegungsplanung hängt entscheidend von der Güte der geometrischen Modelle ab. Unvollständige oder ungenaue CAD-Daten führen zu Kollisionsfehlern oder ungenutztem Arbeitsraum. Die Auswahl von Planungsparametern wie Schrittweite, Zeitlimits oder Gütekriterien erfordert nach wie vor Expertenwissen. Und die Rechenzeit für hochdimensionale Systeme mit engen Toleranzen kann selbst auf moderner Hardware mehrere Sekunden betragen, was für zeitkritische Anwendungen problematisch ist.
Lernbasierte Ansätze, insbesondere Reinforcement Learning und neuronale Bewegungsplaner, versprechen schnellere Reaktionszeiten und bessere Generalisierung in unstrukturierten Umgebungen. Sie sind jedoch hinsichtlich Sicherheitsnachweis und Zertifizierbarkeit noch nicht mit klassischen algorithmischen Verfahren gleichzusetzen. Der praktische Entwicklungsweg führt daher zunehmend in hybride Architekturen: klassische Planer übernehmen die zertifizierbare Grundstruktur, lernbasierte Komponenten beschleunigen und verfeinern innerhalb abgesicherter Grenzen. Für Automatisierungsingenieure bedeutet das, dass ein fundiertes Verständnis der algorithmischen Grundlagen auch in einer zunehmend KI-geprägten Umgebung unverzichtbar bleibt.
