VR-Training für multimodale Cobot-Interaktion10.06.2026 - von Justus Langer, Christoph S. Zoller
Lesedauer: 8 Minuten
|
In händischen Montageprozessen werden zunehmend kollaborative Roboter (Cobots) eingesetzt, da sie menschliche Leistungsfähigkeit durch die Übernahme repetitiver Tätigkeiten ergänzen bzw. die ergonomischen Belastungen reduzieren. Cobots sind für die Zusammenarbeit im unmittelbaren Arbeitsbereich des Menschen ausgelegt und können Aufgaben ohne räumliche Trennung, wie z.B. durch Schutzräume übernehmen. Ihr Nutzen hängt jedoch wesentlich von der Prozess- und Layoutintegration, sowie der Rollenverteilung im Arbeitssystem ab [1, 2].
In der Praxis scheitert die Einführung von Cobots häufig weniger an der Hardware als an der sozio-technischen Umsetzung, insbesondere Prozessdesign, Störungs-management und Akzeptanz. Prozessplaner müssen Automatisierungs-entscheidungen begründen, etwa welche Teilaufgaben automatisiert werden, an welcher Stelle dies im Prozess sinnvoll ist und wie Robustheit und Sicherheit gegenüber manuellen Alternativen gewährleistet werden können. Aus- und Weiterbildung kann hier den Ramp-up beschleunigen, indem sie Kompetenzen für sicheres, effizientes und anpassungsfähiges Arbeiten in veränderten Arbeitssystemen vermittelt [3].
Lernfabriken bieten hierfür eine etablierte, prozessnahe Möglichkeit des Kompetenzerwerbs. Sie sind jedoch in der Szenariovielfalt und Vergleichbarkeit oft begrenzt [4]. Während virtuelle Lernfabriken die realen in bestimmten Trainingszielen bereits ergänzen oder teilweise ersetzen können, ist der spezifische Nachweis für Qualifizierungsszenarien mit kollaborativen Robotern noch begrenzt [6]. Genau hier setzt das Forschungsprojekt VIRAMM an, indem VR-Trainingsszenarien für Montageprozesse inklusive Roboterintegration bereitgestellt werden, um Cobot-bezogene Qualifizierungsziele systematisch zu untersuchen.
Welche Kompetenzen werden für den Einsatz von Cobots benötigt
In der Mensch-Roboter-Interaktion verändern sich durch den Einsatz von Cobots deren Aufgabenprofile gegenüber klassischen Automatisierungslösungen, da diese in gemeinsamen Prozessketten mit dem Menschen aufwandsarm integriert werden können. So ist der Einsatz von Cobots häufig geprägt von kurzer Implementierungsdauer, sodass diese vermehrt in dynamischen, sich verändernden Montageumgebungen eingesetzt werden [7].
Da der Nutzen von Cobots häufig an Greifpunkten, Übergaben und Pufferlogiken entsteht, ist die begründete Automatisierungsentscheidung eine zentrale Qualifikationsanforderung [1, 8]. Für den Kompetenzerwerb ist es daher entscheidend, Lernumgebungen bereitzustellen, in denen solche Entscheidungen praktisch erprobt und Varianten systematisch verglichen werden können. Ein Anspruch, den reale Lernfabriken zwar unterstützen, aber nicht in allen Aspekten vollständig erfüllen.
Reale Lernfabriken ermöglichen handlungsorientiertes Lernen mit hoher Prozessnähe [9, 10]. Bild 1 zeigt hierzu eine reale, montageorientierte U-Zelle, die Teil der Lernfabrik am Institut für Produktion der TH Köln ist. Für systematische Variantenvergleiche sind reale Lernfabriken jedoch häufig limitiert, weil Umbauten, Rüstzeiten, Sicherheitsanforderungen und Ressourcenaufwand die schnelle und wiederholte Variation von Layout, Materialbereitstellung oder Prozessreihenfolgen erschweren und die Vergleichbarkeit zwischen Gruppen reduzieren [4].
Virtuelle Produktionsumgebungen: Didaktische Potenziale und Interaktionsanforderungen
Virtuelle Lernfabriken können als Ergänzung bzw. unter gewissen Bedingungen auch als Ersatz realer Lernfabriken dienen. Im Rahmen dieses Beitrags wird Virtual Reality als eine computergenerierte, immersive (360°- 3D) Umgebung verstanden, in der eine Manipulation von einzelnen Objekten in Echtzeit möglich ist. Diese immersive, dreidimensionale Produktionsumgebungen sind durch VR-Headsets erlebbar, wodurch Trainingsszenarien reproduzierbar sowie variabel abgebildet werden. Dadurch wird ein strukturierter Vergleich erleichtert. Prozess- und Layoutvarianten lassen sich in virtuellen Umgebungen schnell anpassen, sodass Effekte konsistent anhand ausgewählter Kennzahlen reflektiert werden können.
Besonders relevant ist dies für Lernziele, die auf Analyse, Bewertung und Gestaltung ausgerichtet sind, da hierfür mehrere Vergleichsvarianten erforderlich sind und nicht eine optimale Lösung existiert [11].
Damit adressieren virtuelle Ansätze insbesondere Skalierung, Vergleichbarkeit und didaktische Steuerbarkeit und schaffen die Grundlage, virtuelle Produktionsumgebungen und geeignete Interaktionsformen für Qualifizierungsziele nutzbar zu machen [6]. Hieraus ergeben sich didaktische Spielräume, die in realen Umgebungen nur eingeschränkt verfügbar sind [4].
Interaktion in virtuellen Produktionsumgebungen ist didaktisch bedeutsam, weil Lernende Prozesse nicht nur beobachten, sondern aktiv planen, umstellen und durchführen. Eine produktionsnahe Interaktion ist dabei insbesondere beim Platzieren von Objekten, beim Greifen von Materialien, beim Festlegen von Wegen und beim Definieren von Arbeitsreihenfolgen erforderlich, da Entscheidungen so über den gesamten Prozess hinweg sichtbar und erfahrbar werden [11].
Gleichzeitig muss die Interaktion so gestaltet sein, dass sie Lernprozesse unterstützt und keine zusätzliche kognitive Belastung erzeugt. Intuitive Bedienkonzepte und klare Rückmeldungen sind daher erforderlich, um Überforderung durch komplexe Benutzeroberflächen zu vermeiden.
Hier setzt die Multimodalität in der Steuerung von Cobots an. Sie unterstützt die Szenariodurchführung, indem sie den Bedienaufwand reduziert und den Fokus auf Prozessentscheidungen lenkt [10]. Virtuelle Lernumgebungen bieten hierfür besondere Vorteile, da sich unterschiedliche Interaktionsformen mit geringem Umsetzungsaufwand integrieren lassen und zugleich eine hohe Interaktionsvielfalt ermöglichen.
In VR-Szenarien kann Multimodalität Automatisierungsentscheidungen handlungsnah unterstützen: Blicksteuerung erleichtert das schnelle Adressieren von Objekten oder Stationen, Gesten ermöglichen das räumliche Markieren und Platzieren von Übergabezonen, Greifpunkten oder Materialbereitstellungen, und Sprachsteuerung unterstützt diskrete Kommandos sowie Parameterwechsel, etwa für Start- und Stoppbefehle, Variantenwechsel oder die Anzeige von KPIs [8].
Dies wird in Bild 2 anhand der multimodalen Vorkonfiguration von Cobot-Aufgaben in VR veranschaulicht. Entscheidend ist dabei weniger, ob Roboter eingesetzt werden, sondern wie Aufgaben sinnvoll verteilt werden, also wer übernimmt was, warum ist dies sinnvoll und wann im Prozess ist die Integration zweckmäßig, jeweils unter Randbedingungen, wie Variantenvielfalt, Taktzeit, Qualitätsanforderungen, Störanfälligkeit sowie Sicherheits- und Ergonomieaspekten. Diese Entscheidungslogik verknüpft technische Machbarkeit mit Produktionszielen und menschlichen Faktoren und setzt ein fundiertes Prozessverständnis voraus [11, 13].
Für den Variantenvergleich werden insbesondere Zykluszeit, Durchlaufzeit, stationsbezogene Auslastung sowie Warte- und Leerzeiten herangezogen. Diese Kennzahlen wurden gewählt, weil sie die Auswirkungen von Layout, Aufgabenverteilung und Übergabesynchronisation in einer montageorientierten U-Zelle unmittelbar sichtbar machen. Ergänzend werden je nach Szenario Qualitäts-, Ergonomie- und Akzeptanzaspekte sowie Beobachtungen zum Teamverhalten in die Reflexion einbezogen. Als Reflexionsformat eignet sich insbesondere der Vergleich mehrerer Varianten (z. B. mit Fokus auf Engpässe) sowie, zur Transferunterstützung, der Abgleich virtueller Ergebnisse mit Erfahrungen aus realen Lernfabriken.
Forschungsprojekt VIRAMM
Während VR-Lernumgebungen bereits zur Prozessvisualisierung, Layoutplanung und für erste Robotik bezogene Trainingsanwendungen eingesetzt werden, ist die Verbindung aus den nachfolgenden vier Elementen bislang nur begrenzt beschrieben: erstens eine montageorientierte U-Zelle als konsistente Referenzumgebung, zweitens ein zweistufiges Szenariodesign aus manueller Ausgangsvariante und robotergestützter Integrationsvariante, drittens ein explizites Entscheidungsraster zur Begründung der Cobot-Integration und viertens eine KPI-basierte Vergleichslogik für Variantenläufe [5].
Das Forschungsprojekt VIRAMM greift diese Lücke auf, indem die rein manuelle Montagezelle zunächst als Basis in VR etabliert und anschließend um definierte Cobot-Integrationsoptionen erweitert wird. Diese können in standardisierten Variantenläufen vergleichbar ausgewertet werden.. Der vorliegende Beitrag fokussiert die konzeptionelle Herleitung, das szenariobasierte VR-Design und den aktuellen Projektstand.
Ziel des Forschungsprojekts ist die Entwicklung einer VR-Simulationsumgebung, die den Kompetenzerwerb für die Integration kollaborativer Roboter in montageorientierten U-Zellen unterstützt.
Der Neuheitsbeitrag liegt dabei nicht in der bloßen Übertragung einer Lernfabrik in VR, sondern in der Verbindung einer physischen Referenz-U-Zelle mit einem virtuellen Variantenraum, einem zweistufigen Szenariodesign für manuelle und robotergestützte Prozessausführungen, einem konsistenten Entscheidungsraster zur Begründung der Cobot-Integration sowie einer KPI-basierten Vergleichs- und Reflexionslogik.
Im Mittelpunkt stehen Entscheidungen zur Mensch-Roboter-Arbeitsteilung, zur Gestaltung von Übergaben, zur Materialbereitstellung und zur Prozessrobustheit. Diese Entscheidungen werden anhand nachvollziehbarer Kriterien vergleichend bewertet und reflektiert. Die multimodale Interaktion, insbesondere über Sprache und Gesten, unterstützt dabei die Programmierung von Robotertätigkeiten, Übergabepositionen und Prozessschritten. Der Roboter kann beispielsweise Material anreichen, Bauteile halten, Werkstücke in definierter Griffhaltung übergeben oder einzelne Arbeitsschritte wie das Verschrauben übernehmen. Dadurch werden Aufgabenverteilung und Schnittstellen explizit sichtbar, und Varianten lassen sich schneller erproben.
Dabei umfasst VIRAMM zwei Educational Scenarios. Im ersten Szenario „Virtual Assembly & Optimization of a U-Cell“ wird eine reale U-Zelle in VR übertragen und als Referenz für rein manuelle Montageprozesse aufgebaut, die über Layout, Wege, Materialpositionen und Austaktung optimiert wird. Bild 3 zeigt diese virtuelle Referenzumgebung. Im zweiten Szenario „Multimodal Robot Programming for U-Cell Assembly“ werden Robotertätigkeiten und Übergaben multimodal vorab festgelegt, sodass der Roboter im anschließenden Lauf deterministisch und reproduzierbar agiert. In diesem Szenario wird erfahrbar, wie sich unterschiedliche Aufgabenverteilungen zwischen Mensch und Cobot auf Zykluszeit, Durchlaufzeit und Wartezeiten auswirken, da diese Kennzahlen den Einfluss von Übergaben, Synchronisationsbedarf und Layoutentscheidungen auf die Prozessleistung besonders gut sichtbar machen. Eine Reflexionsphase vergleicht die Ergebnisse mit den Benchmarks der ursprünglich aufgebauten U-Zelle, um die Modellgüte und den Nutzen der virtuellen Planung transparent zu machen. Ergänzend werden Teamverhalten und Workflow beobachtet, da Kommunikation, Koordination und gemeinsames Taktverständnis die Prozessleistung beeinflussen.
Die Entscheidungsfindung wird über ein einheitliches Raster strukturiert: Wer übernimmt was, warum ist das sinnvoll, wann im Prozess ist die Integration angesiedelt und unter welchen Randbedingungen bleibt der Ablauf robust [13]. Die Begründung erfolgt nicht nur technisch, sondern entlang zentraler Zielgrößen der Produktion, insbesondere Produktivität, Qualität, Flexibilität und Ergonomie, und bezieht konkrete Entscheidungen der Mensch-Roboter-Arbeitsteilung ein. Randbedingungen wie Variantenvielfalt, typische Störungen, Trainingsannahmen und notwendige Teamkoordination werden berücksichtigt, um rein idealisierte Best-Case-Lösungen zu vermeiden. Das Ergebnis ist nicht die eine richtige Lösung, sondern eine begründete Wahl, die über den Vergleich von Zykluszeit, Durchlaufzeit, Auslastung sowie Warte- und Leerzeiten und über anschließende Reflexion nachvollziehbar wird.
Die Szenariologik ist auf industrielle Aus- und Weiterbildung übertragbar, da sie an wiederkehrende Muster wie Materialfluss, Takt, Arbeitsorganisation und Variantenentscheidungen gekoppelt ist. Für unterschiedliche Zielgruppen lassen sich die Szenarien modular zuschneiden, und VR-Trainings erhöhen die Vergleichbarkeit zwischen Gruppen und Durchläufen, sodass Qualifizierungsmaßnahmen konsistenter evaluiert werden können.
Im bisherigen Projektverlauf wurden bereits mehrere projektspezifische Ergebnisse erzielt. Dazu gehören die didaktische Ausarbeitung einer manuellen Referenz-U-Zelle und eines darauf aufbauenden robotergestützten Szenarios, die Definition eines adaptiven Lern- und Feedbackkonzepts mit strukturierten Triggern und Reflexionsphasen sowie die prototypische technische Umsetzung einer XR-basierten U-Zelle. Dies geschieht auf Basis der Enterprise-XR-Plattform VIROO, die im Rahmen des Horizon-Europe-Projekt MASTER XR als technische Basis für die XR-Trainings¬szenarien dient.
Darüber hinaus wurde der digitale Roboterzwilling aus dem OC1-Vorgängerprojekt integriert und eine multimodale Interaktionslogik für die Vor-Konfiguration von Robotertätigkeiten über Head-Gaze, Gesten und perspektivisch Sprache vorbereitet. Die empirische Evaluation der Lern- und Prozesseffekte ist Gegenstand der weiteren Projektphase bis zum Projektabschluss im Juni 2026.
Diese Arbeit wurde durch Master XR Europe im Rahmen des OC2-Programms gefördert, das durch die Europäische Kommission kofinanziert wird.
Das könnte Sie auch interessieren
