VOJEXT (Value Of Joint EXperimentation in digital Technologies for manufacturing and construction) war Teil des Horizont 2020-Programms der Europäischen Union. Das Projekt erforschte wissenschaftsgetriebene industrielle Methoden zur Verbindung von Menschen und cyber-physischen Systemen (CPS) und zur Entwicklung kognitiver Fähigkeiten, die für effizientere soziotechnische und geschäftliche Ökosysteme notwendig sind. Mit diesem Vorgehen verfolgte das Verbundprojekt die Entwicklung erschwinglicher, marktorientierter und rekonfigurierbarer Robotersysteme, die als zentrale Komponenten eines intelligenten und skalierbaren CPS-Ökosystems für die Fertigungs- und Bauindustrie dienen sollten. Besondere Aufmerksamkeit galt der Integration traditioneller und innovativer, KI-gestützter Robotik sowie kognitiver IKT-Entwicklungen.
In Kooperation mit führenden Partnern aus Industrie und Wissenschaft demonstrierte VOJEXT seine umfangreichen Ergebnisse bei der finalen Evaluierung durch die Europäische Kommission am 10. September 2024 in fünf experimentellen Pilotprojekten. Diese Projekte deckten verschiedene Anwendungsbereiche wie Kunststoff-Textilien, Elektronik, Automobilindustrie, Bauwesen und künstlerisches Handwerk ab. Die Pilotprojekte wurden an mehreren Standorten in Europa durchgeführt, darunter in Spanien, Ungarn, Italien und der Türkei.
Künstlerischer Beitrag bringt neue Impulse für die Zusammenarbeit von Mensch und Maschine
Im Rahmen des Projekts nutzte VOJEXT außerdem die S+T+ARTS-Initiative, die kunstgetriebene Innovationen fördert. Dabei wurden drei sogenannte S+T+ARTS-Residenzen organisiert. Diese sind spezielle Programme, bei denen Künstler*innen in wissenschaftliche und technologische Forschungsprozesse eingebunden werden. In den VOJEXT-Residenzen arbeiteten Künstler*innen eng mit akademischen und industriellen Partnern zusammen, um neue Möglichkeiten der Anwendung der VOJEXT-Technologien zu erforschen und das Potenzial der Mensch-Roboter-Interaktion zu erweitern.
Somit erschloss VOJEXT neue Wege der Automatisierung, die halb- oder vollautomatische Aufgaben und flexible Rekonfigurationen von Fertigungsressourcen abdeckten. Der Schwerpunkt lag auf der präzisen Manipulation von Objekten und Geräten, insbesondere in der Kleinserienfertigung und bei personalisierten Produkten. Zudem wurde die Mensch-Roboter-Kollaboration verbessert, die auf Sicherheits-, Gender- und Ergonomieprinzipien basiert und somit bessere Arbeitsbedingungen ermöglichte.
fortiss erzielt wegweisende Fortschritte in Robotik und Automatisierung
Das Landesforschungsinstitut des Freistaats Bayern für softwareintensive Systeme trug wesentlich zum Erfolg des Projekts bei, indem es unter der Leitung von Kompetenzfeldleiter Alexander Perzylo ein wissensbasiertes Steuerungssystem für Roboter entwickelte. Dieses System formalisiert und interpretiert automatisch relevante Kenntnisse aus den Bereichen Automatisierung und Anwendung, um die Benutzerfreundlichkeit, Flexibilität und Rekonfigurierbarkeit von Robotersystemen zu verbessern.
Im Rahmen einer formalen Wissensdarstellung wurden semantische Beschreibungssprachen entwickelt, um Wissen über Produkte, Fertigungsprozesse und Roboterplattformen zu kodieren. Dazu entwickelten die fortiss-Wissenschaftler*innen ein System, das hochgradig verknüpfte semantische Modelle nutzt, um dynamisch zur Laufzeit die erforderlichen Prozessschritte, deren Parameter und die für die Durchführung notwendigen Ressourcen abzuleiten.
Zusätzlich trug fortiss als einer der kooperierenden Digital Innovation Hubs (DIH) durch die Mitorganisation mehrerer Webinare und Umfragen zur Verbreitung der Projektergebnisse bei. Basierend auf den Erfahrungen aus der Zusammenarbeit zwischen Kunst und Industrie (S+T+ARTS) erarbeitete fortiss zudem Empfehlungen für politische Entscheidungsträger*innen.
Die im Rahmen der Forschungsarbeiten gewonnenen Einsichten und entwickelten Systemkomponenten werden durch fortiss in nachfolgenden Projekten weiter ausgebaut und für den industriellen Einsatz vorbereitet. Dies soll sowohl den Autonomiegrad von Automatisierungssystemen weiter erhöhen und dabei die Fähigkeit zur Selbstkontrolle verbessern als auch eine semantische Integration der anfallenden heterogenen Fertigungsdaten bewirken, die eine datengetriebene Analyse der Produktion durch automatisierte Machine-Learning-Pipelines ermöglicht.
