Von der Annahme von Arbeitsaufträgen bis zur Berechnung des ROI setzt Anu Intelligence auf die Kommerzialisierung von Embodied Intelligence.

Am 26. August traten in Shanghai bei der Veranstaltung des SAP Robotics Industry Innovation Day vier Arten von Anbietern in dieselbe Diskussion ein.

Auf dem Roundtable für Referenzkunden diskutierten Xue Jianmin, Vice President von SAP, Lin Lili, Senior Architect für Branchenlösungen im Edge-Computing-Geschäftsbereich von Intel China, Yang Ke, Vice President von Intelligent Robots China, sowie Wen Hongjie, Vorsitzender und CEO von Anu Intelligence, ein Thema – Wie kann Embodied Intelligence wirklich in Fabriken Einzug halten?

Roundtable für Referenzkunden des SAP Robotics Industry Innovation Day

Der Inhalt lenkte sich schnell auf das Lagerlogistik-Szenario, das im Intel-Werk Chengdu derzeit validiert wird. Im SAP-System gibt es bereits Arbeitsaufträge, und es ist bekannt, welche Materialien zu welcher Zeit und an welchem Ort benötigt werden. Die Roboter verfügen über Transport- und Ausführungsfähigkeiten; Intel liefert tatsächliche industrielle Szenarien und die Edge-Computing-Grundlage. In der Vergangenheit waren die Aufgaben im Geschäftssystem und die Ausführung auf der Roboterseite jedoch relativ unabhängig, und Arbeitsaufträge konnten nicht direkt in ausführbare Aktionen für Roboter umgewandelt werden.

Das Ziel dieses Projekts ist es, genau diese Ausführungsverbindung zwischen den beiden Seiten zu lösen, sodass Geschäftsaufträge direkt an die Roboter übermittelt werden, die Roboter die Aufgaben erledigen und dann den Ausführungsstatus sowie die Ergebnisse an das System zurückmelden.

Das unterscheidet sich stark von den in den letzten Jahren in der Branche üblichen Roboter-Demos.

Nachdem Roboter wirklich in die Produktionslinien eingezogen sind, achten Fabriken nicht mehr nur auf Modellparameter und Aktionsleistung. Ob der Betrieb stabil läuft, ob er nach Ausfällen wiederhergestellt werden kann, ob die nächste Arbeitsstation schneller bereitgestellt werden kann und ob sich am Ende der Return on Investment klar berechnen lässt, werden zu praktischeren Fragen.

Roboter beginnen, „Aufträge entgegenzunehmen“, Embodied Intelligence wird in Produktionssysteme integriert

Lagerlogistik ist kein neues Problem in der Fertigungsindustrie. Die Veränderung besteht darin, dass Roboter beginnen, sich in betriebliche Geschäftssysteme einzuklinken und ihre Ausführung durch Arbeitsaufträge gesteuert wird.

In diesem Projekt ist SAP für das betriebliche Geschäftssystem verantwortlich und verwaltet Bestellungen, Lagerbestände, Lagerung und Prozessberechtigungen; Intel liefert tatsächliche industrielle Szenarien und die Edge-Computing-Grundlage; Intelligent Robots liefert den Roboter-Körper; Anu befindet sich im mittleren Glied und wandelt Geschäftsaufgaben im Unternehmenssystem in Prozesse um, die von Robotern ausgeführt werden können.

Wen Hongjie nennt diese Ebene, auf der Anu angesiedelt ist, „Bereitstellungsebene und Szenarienintelligenzebene“.

Auf dem Roundtable gab er eine anschaulichere Beschreibung von Anu: verschiedene Roboter-Körper unterschiedlicher Typen an dieselbe Produktionslinie anzubinden und dann die Verbindung zu Unternehmenssystemen wie SAP herzustellen.

„Wir erledigen die schmutzigen, harten und anstrengenden Arbeiten, aber wir sind der Meinung, dass dies das wertvollste Glied der Embodied Intelligence ist.“

△ Intel, SAP und Anu Intelligence veröffentlichen gemeinsam das integrierte Lösungskonzept für Embodied-Intelligence-Produktionslinien

Am Beispiel der Lageraufgaben, die von SAP EWM ausgegeben werden, ist Anu dafür verantwortlich, Arbeitsaufträge zu analysieren, Aufgaben zu verstehen, entsprechende Skills aufzurufen und Roboter zu planen, sodass die Roboter die Auswahl, den Transport und die Zustellung von Materialien abschließen. Status, Ausnahmen und Ergebnisse, die während des Ausführungsprozesses entstehen, werden dann an das SAP-System zurückgemeldet.

Arbeitsaufträge verbleiben damit nicht mehr nur im Softwaresystem, sondern können Roboter dazu anleiten, Aufgaben vor Ort zu erledigen, und kehren anschließend wieder in den ursprünglichen Geschäftsprozess ein.

Derzeit hat Anu die gesamte Verbindung von der SAP-Geschäftsaufgabe über die Roboterausführung bis zur Ergebnisrückmeldung fertiggestellt, während das Lagerszenario in Intel Chengdu sich noch in der Validierungsphase befindet. Wen Hongjie betonte zudem, dass die funktionierende technische Verbindung nicht gleichbedeutend mit der großflächigen kommerziellen Nutzung ist, und es danach noch die Fabrikkonformität, die Abnahme und die Replikation an mehreren Standorten durchlaufen muss.

Die „Anbindung an das System“ ist nur der erste Schritt.

Wen Hongjie erwähnte auf dem Roundtable, dass die Außenwelt leicht annimmt, dass die Systemverknüpfung eine einfache Sache ist, „aber der stabile Betrieb erfordert sehr viel Engineering-Aufwand“. Für industrielle Standorte ist es schwieriger, diesen Geschäftsprozess langfristig und stabil auf dem Roboter-Körper auszuführen.

Dr. Wang Shuhua, Leiter des Bereichs Roboter und Automatisierung bei Foxconn Group, teilt die Überlegungen von Foxconn zu Embodied Intelligence in industriellen Szenarien

Nach den Demos beginnen Fabriken, Stabilität und ROI zu berechnen

Nach Ende des Roundtables äußerte Wen Hongjie in einem exklusiven Interview mit 36Kr eine Einschätzung: „Bei Demos geht es um die Obergrenze der Fähigkeiten, bei industriellen Kunden um die Untergrenze der Fähigkeiten.“

Dass ein Roboter einen Greif- oder Transportvorgang abschließt, beweist nur, dass diese Fähigkeit existiert. In der Fabrik ist es oft wichtiger, ob er auch bei Schichtwechsel, veränderter Beleuchtung oder ausgetauschten Materialien normal funktioniert und wie lange es dauert, bis er nach einer Störung wiederhergestellt ist – viel wichtiger als die Geschwindigkeit einer einzelnen Aktion.

Wen Hongjie führte als Beispiel an: Selbst wenn eine Aktion um 10 % schneller ist, ist ihr kommerzieller Wert möglicherweise geringer als der eines etwas langsameren, aber stabileren und wartungsfreundlicheren Konzepts, wenn täglich mehrere manuelle Eingriffe erforderlich sind.

Vor Ort bei Fuling Precision gab es bereits ähnliche Probleme.

Nachdem die ursprünglich verwendeten grauen Materialkisten durch schwarze ersetzt wurden, wurde die visuelle und radargestützte Erkennung aufgrund des verringerten Reflexionslichts beeinträchtigt, und die Greifleistung der Roboter nahm entsprechend ab. Vorbeilaufende Arbeiter, versetzte Materialpositionen, abgenutzte Spannvorrichtungen und Navigationsfehler können ebenfalls den kontinuierlichen Betrieb beeinträchtigen.

Viele Probleme lassen sich im Labor kaum vorab vollständig erfassen, sie können nur nach längerem Betrieb auf echten Produktionslinien schrittweise auftreten.

Das Team von Anu ist daher seit langem vor Ort bei Fuling Precision stationiert. Nach Angaben des Unternehmens liegt die mittlere Betriebsdauer zwischen Ausfällen (MTBF) der Geräte derzeit bereits über 300 Stunden.

Normaler Betrieb im intelligenten Werk Mianyang von Fuling Precision

Eine weitere Veränderung betrifft den Bereitstellungszyklus.

Für die erste Arbeitsstation bei Fuling wurden ursprünglich etwa 4 Monate benötigt, danach verkürzte sich die Bereitstellung auf derselben Produktionslinie auf etwa eine Woche. Nach Angaben von Anu laufen die Bereitstellungen für einige ausgereifte gleichartige Arbeitsstationen bereits innerhalb von 3 Tagen ab. Wen Hongjie betonte zugleich, dass derzeit bestätigt ist, dass sich der Zeitraum von 4 Monaten auf 1 Woche verkürzt hat; der 3-Tage-Zeitraum gilt hauptsächlich für ausgereifte Standardszenarien mit klaren Produktgrenzen und bereits angepassten Schnittstellen sowie Roboter-Körpern, während völlig neue nicht standardisierte Aufgaben noch neu bewertet werden müssen.

Das ist auch der Grund, warum Wen Hongjie wiederholt den Begriff „Bereitstellung“ hervorhebt.

Seiner Definition nach ist Bereitstellung nicht gleichbedeutend mit traditioneller Integration. Integration und Zweitentwicklung sind nur ein Teil davon, viel wichtiger ist es, die hochgradig nicht standardisierte Lösung eines Projekts schrittweise zu einem wiederverwendbaren Produkt zu machen, sodass derselbe Prozess, dasselbe Modell und derselbe Skill auf neue Arbeitsstationen und Roboter übertragen werden können.

Beim Fuling-Projekt gibt es zudem eine direktere Gruppe von Betriebsdaten.

Die Anzahl der Probleme, die manuelle Eingriffe erfordern, ist von über 10 Mal pro Tag auf etwa 2 bis 3 Mal pro Woche gesunken; die Effizienz eines einzelnen Roboters pro Schicht beträgt etwa 70 % eines einzelnen menschlichen Arbeiters. Nach dem kontinuierlichen Betrieb in zwei Schichten durch Batteriewechsel entspricht die Gesamtleistung etwa 1,4 Industriearbeitern. Nach Berechnungen mit dem aktuellen Kostenmodell von Anu beträgt der Amortisationszeitraum etwa 3 Jahre.

Für industrielle Kunden beweist die Erledigung einer einzelnen Aufgabe durch einen Roboter nur, dass die Technologie funktionsfähig ist. Ob manuelle Eingriffe reduziert, Bereitstellungszyklen verkürzt und am Ende der ROI klar berechnet werden können, entscheidet darüber, ob er wirklich in die Produktion einziehen kann.

Zuerst die Bereitstellung meistern, dann das Modell iterieren – Anu setzt auf den Praxiseinsatz vor Ort

Wen Hongjie war früher ein erfahrener Fachmann im Industrie- und Investmentbereich.

In dem Interview sagte er, dass er bei der Bewertung eines Unternehmens früher zuerst auf die technische Route, den Hintergrund des Teams, den Marktspielraum und die Kapitaleffizienz geachtet hat. Nachdem er wirklich in die Fabriken eingezogen ist, hat sich sein Verständnis von Embodied Intelligence verändert.

Wen Hongjie, Vorsitzender und CEO von Anu Intelligence

Auf echten Produktionslinien sind Mechanik, Algorithmen, Steuerung, Verfahren und Sicherheit miteinander verknüpft. Selbst wenn einzelne technische Indikatoren sehr gut erfüllt sind, ist der langfristige Betrieb des gesamten Systems nicht garantiert.

Die Route von Anu hat sich daher schrittweise verdeutlicht.

Im vergangenen Jahr haben viele Unternehmen für Embodied Intelligence zuerst Modelle entwickelt und dann nach Einsatzszenarien gesucht. Anu hat sich dafür entschieden, zuerst in die Fabriken einzuziehen, die Probleme zu lösen, die sich während des Bereitstellungsprozesses zeigen, und dann die Modelle mit echten Daten zu iterieren.

Im Unternehmen gibt es einen Satz: „Modelle können Open Source sein, aber Bereitstellungserfahrungen lassen sich nicht als Open Source veröffentlichen.“

Anu betrachtet Fabrikprojekte zudem als Teil der Produktentwicklung. Das Team sammelt nach dem Einzug in die Szenarien echte Daten, die Roboter zeichnen nach ihrem Einsatz kontinuierlich Betriebszustände und Fehlerfälle auf, danach erfolgt die Iteration durch Nachschulung und Verstärkungslernen. Wenn bereits gelöste Probleme Gemeinsamkeiten aufweisen, werden sie weiter zu Skills, Modellen und Bereitstellungstools verfeinert, die für die nächste Arbeitsstation und den nächsten Roboter-Typ verwendet werden können.

Innerhalb von Anu wird diese Arbeitsweise als Analogon zu FDE (Forward Deployed Engineering) bezeichnet. Ingenieure gehen zu den Kunden vor Ort, um Probleme zu lösen, aber nach Abschluss des Projekts sollen nicht die vor Ort eingesetzten Arbeitskräfte verbleiben, sondern die wiederverwendbaren Produktfunktionen.

Wen Hongjie nannte diese Logik auf dem Roundtable das „Daten-Flugrad“.

Nachdem Roboter in die Produktionslinien eingezogen sind, sammeln sie im laufenden Betrieb ständig Daten und werden dann durch Training weiter aufgerüstet. Nur wenn dieser Kreislauf wirklich in Gang kommt, können die Fähigkeiten der Roboter mit dem praktischen Einsatz stetig verbessert werden.

Aus Sicht von Wen Hongjie ist dies auch ein wichtiger Unterschied zwischen Embodied Intelligence und traditioneller industrieller Automatisierung. Die früheren kollaborativen Roboter und Automatisierungsgeräte basierten größtenteils auf voreingestellten Regeln, während Embodied Intelligence versucht, Robotern die Fähigkeit zum kontinuierlichen Lernen und zur Anpassung an die Umgebung zu verleihen.

Auf dem Roundtable sagte er, er hoffe, dass Embodied Intelligence letztendlich „jede Position in der Fabrik zu kontinuierlichem Lernen und selbstständiger Aufrüstung befähigt und sie zu einem Meisterhandwerker macht“.

Dieser Weg bestimmt auch die aktuelle Richtung der Ressourceninvestitionen von Anu.

Anu baut keine eigenen Roboter-Körper und setzt seine Ressourcen nicht vollständig auf ein einziges allgemeines Grundmodell. Das Unternehmen möchte langfristig industrielle Daten, Verfahren-Know-how, domänenspezifische Modelle, Skills, Planungssysteme und die Anpassungsfähigkeit zwischen verschiedenen Roboter-Körpern ansammeln.

Die Replizierbarkeit bestimmt die Obergrenze der kommerziellen Nutzung

Je mehr Projekte es gibt, desto leichter stoßen Unternehmen für Embodied Intelligence auf ein praktisches Problem: Ob das Auslieferungsteam gleichzeitig erweitert werden muss.

Wenn bei jedem Einzug in eine neue Fabrik und jedem Hinzufügen einer neuen Arbeitsstation erneut Ingenieure vor Ort geschickt werden müssen, um Daten zu sammeln, Schnittstellen zu schreiben und Systeme anzupassen, steigen die Auslieferungskosten gleichzeitig mit dem Umsatzwachstum.

Wen Hongjie beurteilt, ob ein Projekt die Produktisierungsphase erreicht hat, indem er prüft, ob sich die zweite Auslieferung verändert hat.

Ob die Kernprozesse in standardisierte Skills und Schnittstellen unterteilt werden können, ob Fehlerdaten automatisch zurückfließen können und ob neue Kunden nur wenige Daten für Feinabstimmungen und Anpassungen benötigen, statt das gesamte System neu zu entwickeln – das sind die Indikatoren, auf die er achtet