Mobile Pick-Roboter in der Intralogistik
-
Florian Töper
Florian Töper, M. Sc., geb. 1999, studierte Maschinenbau mit dem Schwerpunkt International Production Engineering and Management an der Friedrich-Alexander-Universität Erlangen-Nürnberg. Seit 2024 ist er bei der Mercedes-Benz AG im Team Future Manufacturing Technologies in Sindelfingen tätig und promoviert am Institut für Arbeitswissenschaft und Technologiemanagement (IAT) der Universität Stuttgart. Seine Forschungsthemen umfassen die Entwicklung KI-basierter Bildverarbeitung für autonome Roboter sowie deren wirtschaftliche Integration in die Produktion.
,
Bernd Gerding
Bernd Gerding, M. Sc., geb. 1986, studierte Wirtschaftsingenieurwesen mit der Vertiefungsrichtung Maschinenbau an der Technischen Universität Dortmund. Nach seinem Einstieg bei Mercedes-Benz Cars im Jahr 2013 und verschiedenen Stationen in der Montageplanung, wechselte er 2023 in den Bereich Logistics Engineering und arbeitet dort seitdem als Simulationsingenieur für intralogistische Materialflusssimulationen.
Richard Reinhold, B. Eng., geb. 1991, studierte Wirtschaftsingenieurwesen mit dem Schwerpunkt Elektrotechnik an der Technischen Hochschule zu Köln. Seit 2021 ist er im Bereich Logistics Engineering bei der Mercedes-Benz AG im Team Technology & Advanced Logistics in Sindelfingen tätig und befindet sich derzeit im Masterstudiengang (M. Sc.) Wirtschaftsingenieurwesen.
Dr.-Ing. Matthias Reichenbach, geb. 1980, ist Manager des Teams Future Manufacturing Technologies der Mercedes-Benz AG in Sindelfingen. Nach dem Studium der Informations- und Medientechnik an der Brandenburgischen Technischen Universität Cottbus-Senftenberg promovierte er dort 2010 im Bereich Maschinenbau mit einer Arbeit zur impedanzgeregelten Robotik und deren Anwendungen. Seitdem entwickelt er in verschiedenen Funktionen neue Automatisierungslösungen im Bereich der sensitiven Robotik, der Mensch-Roboter-Kooperation sowie der humanoiden Robotik.
Prof. Dr. rer. nat. habil. Rudolph Triebel, geb. 1974, ist Professor für Intelligente Roboterwahrnehmung am Karlsruher Institut für Technologie (KIT) und Leiter der Abteilung Perzeption und Kognition am Deutschen Zentrum für Luft- und Raumfahrt (DLR). Nach dem Studium der Informatik an der Universität Freiburg promovierte er dort 2007 mit einer Arbeit zur 3D-Wahrnehmung mobiler Roboter. Es folgten Forschungsstationen an der ETH Zürich, der Universität Oxford und der Technischen Universität München, wo er 2015 seine Habilitation im Bereich autonomes Lernen in Robotik und Computer Vision abschloss. Seine Forschungsschwerpunkte liegen in der sensorbasierten Umgebungserfassung, visuellen Navigation und dem maschinellen Lernen für autonome Systeme.
Prof. Dr.-Ing. Peter Ohlhausen, geb. 1967, ist Professor für Technologie- und Innovationsmanagement in Reutlingen und Leiter des Bereichs Forschungskoordination am Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO) in Stuttgart. Nach dem Studium promovierte er 2002 mit einer Arbeit zum Thema wissensintensiver Kooperationen in der Produktentwicklung. Seine Forschungsschwerpunkte liegen in der Gestaltung komplexer Prozesse in und über Unternehmensgrenzen hinweg.
Abstract
Der steigende Variantenreichtum, volatile Marktanforderungen und ein zunehmender Kostendruck insbesondere der globalen Märkte erfordern wirtschaftliche und zugleich wandlungsfähige Lösungen für die Kommissionierung in der Automobilproduktion. Dieser Beitrag untersucht simulativ das Potenzial mobiler Pick-Roboter anhand der Kommissionieraufträge der produzierten Fahrzeuge einer realen Produktionslinie. Die Ergebnisse zeigen das Potenzial für wandlungsfähige Produktionsprozesse und relevante Stellhebel für den optimierten Einsatz mobiler Pick-Roboter in der Kommissionierung auf.
Abstract
A growing number of variants, volatile market requirements and increasing cost competition in global markets require economical and versatile solutions for order picking in automotive production. This article examines the potential of mobile picking robots by simulating the picking orders of vehicles produced on a real production line. The results show the potential for versatile production processes and relevant levers for the optimized use of mobile picking robots in automotive kitting.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory-Board wissenschaftlich begutachteten Fachaufsatz (Peer Review).
Funding statement: Gefördert vom Bundesministerium für Wirtschaft und Energie aufgrund eines Beschlusses des Deutschen Bundestages mit DARP-Mitteln. Finanziert von der Europäischen Union – Next-GenerationEU. Die geäußerten Ansichten und Meinungen sind ausschließlich die des Autors/der Autoren und spiegeln nicht unbedingt die Ansichten der Europäischen Union oder der Europäischen Kommission wider. Weder die Europäische Union noch die Europäische Kommission können für sie verantwortlich gemacht werden.
Über die Autoren
Florian Töper, M. Sc., geb. 1999, studierte Maschinenbau mit dem Schwerpunkt International Production Engineering and Management an der Friedrich-Alexander-Universität Erlangen-Nürnberg. Seit 2024 ist er bei der Mercedes-Benz AG im Team Future Manufacturing Technologies in Sindelfingen tätig und promoviert am Institut für Arbeitswissenschaft und Technologiemanagement (IAT) der Universität Stuttgart. Seine Forschungsthemen umfassen die Entwicklung KI-basierter Bildverarbeitung für autonome Roboter sowie deren wirtschaftliche Integration in die Produktion.
Bernd Gerding, M. Sc., geb. 1986, studierte Wirtschaftsingenieurwesen mit der Vertiefungsrichtung Maschinenbau an der Technischen Universität Dortmund. Nach seinem Einstieg bei Mercedes-Benz Cars im Jahr 2013 und verschiedenen Stationen in der Montageplanung, wechselte er 2023 in den Bereich Logistics Engineering und arbeitet dort seitdem als Simulationsingenieur für intralogistische Materialflusssimulationen.
Richard Reinhold, B. Eng., geb. 1991, studierte Wirtschaftsingenieurwesen mit dem Schwerpunkt Elektrotechnik an der Technischen Hochschule zu Köln. Seit 2021 ist er im Bereich Logistics Engineering bei der Mercedes-Benz AG im Team Technology & Advanced Logistics in Sindelfingen tätig und befindet sich derzeit im Masterstudiengang (M. Sc.) Wirtschaftsingenieurwesen.
Dr.-Ing. Matthias Reichenbach, geb. 1980, ist Manager des Teams Future Manufacturing Technologies der Mercedes-Benz AG in Sindelfingen. Nach dem Studium der Informations- und Medientechnik an der Brandenburgischen Technischen Universität Cottbus-Senftenberg promovierte er dort 2010 im Bereich Maschinenbau mit einer Arbeit zur impedanzgeregelten Robotik und deren Anwendungen. Seitdem entwickelt er in verschiedenen Funktionen neue Automatisierungslösungen im Bereich der sensitiven Robotik, der Mensch-Roboter-Kooperation sowie der humanoiden Robotik.
Prof. Dr. rer. nat. habil. Rudolph Triebel, geb. 1974, ist Professor für Intelligente Roboterwahrnehmung am Karlsruher Institut für Technologie (KIT) und Leiter der Abteilung Perzeption und Kognition am Deutschen Zentrum für Luft- und Raumfahrt (DLR). Nach dem Studium der Informatik an der Universität Freiburg promovierte er dort 2007 mit einer Arbeit zur 3D-Wahrnehmung mobiler Roboter. Es folgten Forschungsstationen an der ETH Zürich, der Universität Oxford und der Technischen Universität München, wo er 2015 seine Habilitation im Bereich autonomes Lernen in Robotik und Computer Vision abschloss. Seine Forschungsschwerpunkte liegen in der sensorbasierten Umgebungserfassung, visuellen Navigation und dem maschinellen Lernen für autonome Systeme.
Prof. Dr.-Ing. Peter Ohlhausen, geb. 1967, ist Professor für Technologie- und Innovationsmanagement in Reutlingen und Leiter des Bereichs Forschungskoordination am Fraunhofer-Institut für Arbeitswirtschaft und Organisation (IAO) in Stuttgart. Nach dem Studium promovierte er 2002 mit einer Arbeit zum Thema wissensintensiver Kooperationen in der Produktentwicklung. Seine Forschungsschwerpunkte liegen in der Gestaltung komplexer Prozesse in und über Unternehmensgrenzen hinweg.
Literatur
1 Steegmüller, D.; Zürn, M.: Wandlungsfähige Produktionssysteme für den Automobilbau der Zukunft. In: Ten Hompel, M.; Vogel-Heuser, B.; Bauernhansl, T. (Hrsg.): Handbuch Industrie 4.0: Produktion, Automatisierung und Logistik. Springer-Vieweg-Velag,Wiesbaden 2019Search in Google Scholar
2 Lotter, B.; Wiendahl, H.-P.: Montage in der industriellen Produktion. Springer Berlin Heidelberg, Berlin, Heidelberg, 2012 DOI:10.1007/978-3-642-29061-910.1007/978-3-642-29061-9Search in Google Scholar
3 Elz, A.; Hübner, N.; Leidinger, K.; Mema, R.; Meredith, S.: Skilled Labor Shortages: The Bavarian Case. In: Audretsch, D. B.; Civera, A.; Lehmann, E. E.; Leidinger, K. P.; Otto, J. M.; Weiße, L.; Wirsching, K. (Hrsg.): The Strategic Management of Place at Work. Springer Nature Switzerland, Cham 2023 DOI:10.1007/978-3-031-29463-1_810.1007/978-3-031-29463-1_8Search in Google Scholar
4 Scholz, M.: Intralogistics Execution System mit integrierten autonomen, servicebasierten Transportentitäten. Zugl.: Dissertation, FAU Erlangen-Nürnberg, Reihe Maschinenbau, Bd. 331, 2019; FAU University Press, Erlangen 2019 DOI:10.25593/978-3-96147-238-310.25593/978-3-96147-238-3Search in Google Scholar
5 Malik, A. A.; Masood, T.; Brem, A.: Intelligent Humanoids in Manufacturing to Address Worker Shortage and Skill Gaps – Case of Tesla’s Optimus. arXiv:2304.04949 2023 DOI:10.48550/arXiv.2304.0494910.48550/arXiv.2304.04949Search in Google Scholar
6 Groß, E.: Wandlungsfähige Produktion. In: Krieg, S.; Groß, E.; Bauernhansl, T. (Hrsg.): Einstieg in die Mass Personalization: Perspektiven für Entscheider. Log_X Verlag, Ludwigsburg 2024Search in Google Scholar
7 Bormann, R.; de Brito, B. F.; Lindermayr, J.; Omainska, M.; Patel, M.: Towards Automated Order Picking Robots for Warehouses and Retail. In: Tzovaras, D.; Giakoumis, D.; Vincze, M.; Argyros, A. (Hrsg.): Computer Vision Systems (Vol. 11754). Springer International Publishing, Cham 2019, S. 185–198 DOI:10.1007/978-3-030-34995-0_1810.1007/978-3-030-34995-0_18Search in Google Scholar
8 Ojea Aparicion, J.; Solowjow, E.: Case Study: Siemens – Flexible Robot Grasping with Deep Neural Networks. In: Nof, S. (Hrsg.): Handbook of Automation. Springer Berlin Heidelberg, Berlin, Heidelberg 2023, S. 1467–1473 DOI:10.1007/978-3-030-96729-1_7210.1007/978-3-030-96729-1_72Search in Google Scholar
9 Holz, D.; Nieuwenhuise, M.; Droeschel, D.; Stückler, J.; Berner, A.; Li, J.; Klein, R.; Behnke, S.: Active Recognition and Manipulation for Mobile Robot Bin Picking. In: Röhrbein, F.; Veiga, G.; Natale, C. (Hrsg.): Gearing Up and Accelerating Cross-Fertilization between Academic and Industrial Robotics Research in Europe (Vol. 94). Springer International Publishing, Cham 2014, S. 133–153 DOI:10.1007/978-3-319-03838-4_710.1007/978-3-319-03838-4_7Search in Google Scholar
10 Iriondo, A.; Lazkano, E.; Susperregi, L.; Urain, J.; Fernandez, A.; Molina, J.: Pick and Place Operations in Logistics Using a Mobile Manipulator Controlled with Deep Reinforcement Learning. Applied Sciences 9 (2019) 2, 348 DOI:10.3390/app902034810.3390/app9020348Search in Google Scholar
11 Kauke, D.: Ein Untersuchungsmodell zur Einflussanalyse relevanter Planungsprobleme in hybriden Kommissioniersystemen. Dissertation, Technische Universität München, München 2023Search in Google Scholar
12 Fu, X.; Miao, L.; Ohnishi, Y.; Hasegawa, Y.; Suwa, M.: A Low-Cost, High-Speed, and Robust Bin Picking System for Factory Automation Enabled by a Non-Stop, Multi-View, and Active Vision Scheme. In: 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). IEEE 2024, S. 11566–11573 DOI:10.1109/IROS58592.2024.1080248510.1109/IROS58592.2024.10802485Search in Google Scholar
13 Dömel, A.; Kriegel, S.; Kaßecker, M.; Brucker, M.; Bodenmüller, T.; Suppa, M.: Toward Fully Autonomous Mobile Manipulation for Industrial Environments. International Journal of Advanced Robotic Systems, 14 (2017) 4 DOI:10.1177/172988141771858810.1177/1729881417718588Search in Google Scholar
14 Correll, N.; Bekris, K.; Berenson, D.; Brock, O.; Causo, A.; Hauser, K.; Okada, K.; Rodriguez, A.; Romano, J.; Wurman, P.: Lessons from the Amazon Picking Challenge. CoRR 2016, abs/1601.05484 DOI:10.15607/RSS.2016.XII.03610.15607/RSS.2016.XII.036Search in Google Scholar
15 Hercog, D.; Marolt, J.; Lerher, T.: Autonomous Mobile Robots and Their Integration into the Order-Picking Process. In: Manzini, R.; Accorsi, R. (Hrsg.): Warehousing and Material Handling Systems for the Digital Industry. Springer International Publishing, Cham 2024, S. 275–308 DOI:10.1007/978-3-031-50273-6_1110.1007/978-3-031-50273-6_11Search in Google Scholar
16 Fragapane, G.; de Koster, R.; Sgarbossa, F.: Autonomous Mobile Robots for Material Handling in Intralogistics. In: Manzini, R.; Accorsi, R. (Hrsg.): Warehousing and Material Handling Systems for the Digital Industry. Springer International Publishing, Cham 2024, S. 251–274 DOI:10.1007/978-3-031-50273-6_1010.1007/978-3-031-50273-6_10Search in Google Scholar
17 Dömel, A.; Kriegel, S.; Brucker, M.; Suppa, M.: Autonomous Pick and Place Operations in Industrial Production. In: 12th International Conference on Ubiquitous Robots and Ambient Intelligence URAI. Goyang City, Korea 2015 DOI:10.1109/URAI.2015.735897810.1109/URAI.2015.7358978Search in Google Scholar
18 Pavlichenko, D.; Martín García, G.; Koo, S.; Behnke, S.: KittingBot: A Mobile Manipulation Robot for Collaborative Kitting in Automotive Logistics. In: Strand, M.; Dillmann, R.; Menegatti, E.; Ghidoni, S. (Hrsg.): Intelligent Autonomous Systems (Vol. 867). Springer International Publishing, Cham 2019, S. 849–864 DOI:10.1007/978-3-030-01370-7_6610.1007/978-3-030-01370-7_66Search in Google Scholar
19 Simões, M. J.; Pinto, T.; Silva, C.: Innovative Hybrid Kitting Systems for Automotive Manufacturing: Performance Analysis and Optimisation. International Journal of Production Research, Published online: 22.04.2025 DOI:10.1080/00207543.2025.249178310.1080/00207543.2025.2491783Search in Google Scholar
20 Krueger, V.; Rovida, F.; Grossmann, B.; Petrick, R.; Crosby, M.; Charzoule, A.; Martin Garcia, G.; Behnke, S.; Toscano, C.; Veiga, G.: Testing the Vertical and Cyber-Physical Integration of Cognitive Robots in Manufacturing. Robotics and Computer-Integrated Manufacturing 57 (2019), S. 213–229 DOI:10.1016/j.rcim.2018.11.01110.1016/j.rcim.2018.11.011Search in Google Scholar
© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Frühzeitig erkennen, effizient handeln
- Fabrikplanung
- Forschungsaktivitäten im Gebiet der Fabrikplanung
- Fabrikzielorientierte Bewertung von Layoutvarianten
- Produktionsplanung
- Modellierung einer Methode zur energieeffizienten Produktionsplanung unter Unsicherheiten
- Nachhaltigkeit
- Nachhaltigkeit in der Betriebsmittelplanung
- Gestaltungsfelder für eine nachhaltige Produktion
- Ökologische Optimierung
- Effizienzsteigerung industrieller Systeme anhand der Maßnahmenhierarchie
- Carbon Footprint
- Accounting for the Unseen: Quantifying Emissions from Product Development Activities
- Wettbewerbsfähigkeit
- Transformation zum Lösungsanbieter im Maschinenbau
- Fehlermanagement
- Effizientes Fehlermanagement in der Automobilbranche
- Industrielle Re-Fabrikation
- Anforderungsanalyse für die industrielle Re-Fabrikation in metallverarbeitenden KMU
- Umformverfahren
- Modellierung und Validierung des Stranggießens von Aluminium und Kupfer
- Electric Vehicle
- Energy Efficient Wide Bandgap Semiconductor SiC Based Electric Vehicle and their Applications
- Diskrete Fertigung
- Digitalisierung und KI in der diskreten Fertigung
- Robotik
- Mobile Pick-Roboter in der Intralogistik
- Technische Herausforderungen für vollautomatisierte Schweißanwendungen in KMU
- Digitale Zwillinge
- Digitale Zwillinge als Nachhaltigkeitsmotor
- Softwareentwicklung
- Bewertungstool zur Auswahl von Softwareentwicklungsmodellen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Frühzeitig erkennen, effizient handeln
- Fabrikplanung
- Forschungsaktivitäten im Gebiet der Fabrikplanung
- Fabrikzielorientierte Bewertung von Layoutvarianten
- Produktionsplanung
- Modellierung einer Methode zur energieeffizienten Produktionsplanung unter Unsicherheiten
- Nachhaltigkeit
- Nachhaltigkeit in der Betriebsmittelplanung
- Gestaltungsfelder für eine nachhaltige Produktion
- Ökologische Optimierung
- Effizienzsteigerung industrieller Systeme anhand der Maßnahmenhierarchie
- Carbon Footprint
- Accounting for the Unseen: Quantifying Emissions from Product Development Activities
- Wettbewerbsfähigkeit
- Transformation zum Lösungsanbieter im Maschinenbau
- Fehlermanagement
- Effizientes Fehlermanagement in der Automobilbranche
- Industrielle Re-Fabrikation
- Anforderungsanalyse für die industrielle Re-Fabrikation in metallverarbeitenden KMU
- Umformverfahren
- Modellierung und Validierung des Stranggießens von Aluminium und Kupfer
- Electric Vehicle
- Energy Efficient Wide Bandgap Semiconductor SiC Based Electric Vehicle and their Applications
- Diskrete Fertigung
- Digitalisierung und KI in der diskreten Fertigung
- Robotik
- Mobile Pick-Roboter in der Intralogistik
- Technische Herausforderungen für vollautomatisierte Schweißanwendungen in KMU
- Digitale Zwillinge
- Digitale Zwillinge als Nachhaltigkeitsmotor
- Softwareentwicklung
- Bewertungstool zur Auswahl von Softwareentwicklungsmodellen
- Vorschau
- Vorschau
