Das Digitale Kontinuum und die Gestaltung intralogistischer Lern- und Testumgebungen

Abstract

Die Autonomie technischer Systeme gilt als zentraler Treiber industrieller Effizienz, da sie die Flexibilität und die Resilienz logistischer Prozesse erhöht. Fortschritte im Bereich der Künstlichen Intelligenz (KI) eröffnen dabei neue Möglichkeiten, Systeme von den heute vergleichsweise niedrigen Autonomiegraden hin zu weitgehend unabhängigen, selbstlernenden Einheiten in den Bereichen Wahrnehmung, Ausführung und Planung weiterzuentwickeln. Vor diesem Hintergrund stellt die vorliegende Arbeit das Leitbild des Digitalen Kontinuums erstmals systematisch und theoretisch fundiert auf. Das Leitbild zielt auf die durchgängige Integration aktiv handelnder KI-Agenten ab, um nahtlose Prozessketten für die Entwicklung und den Betrieb autonomer logistischer Systeme zu ermöglichen. Für die Realisierung des Digitalen Kontinuums müssen bestehende Unterbrechungen in den Entwicklungsund Betriebsprozessen autonomer Systeme in der Logistik geschlossen werden. Die Arbeit adressiert eine der zentralen Unterbrechungen am Beispiel Autonomer Mobiler Roboter (AMR) in Materialflusssystemen: die fehlende automatisierte Generierung geeigneter digitaler Lern- und Testumgebungen. Hierfür wird ein Verfahren entwickelt, das auf Methoden der Procedural Content Generation (PCG) zur Generierung der strukturellen Umgebung sowie auf einer serverbasierten Logik zur Erzeugung dynamischer Materialflüsse basiert. Das Verfahren wird hinsichtlich seiner Fähigkeit evaluiert, vielfältige Umgebungsstrukturen zu generieren, dynamische Materialflüsse abzubilden und Robotersteuerungen unmittelbar in die generierten Szenarien einzubinden. Die Evaluation zeigt, dass das entwickelte Verfahren den Modellierungsprozess digitaler Lern- und Testumgebungen weitgehend automatisiert und als parametrisierbares Werkzeug in das Digitale Kontinuum integrierbar ist. Die Arbeit leistet damit einen konzeptionellen und methodischen Beitrag zur Entwicklung hochautonomer, adaptiver und kontinuierlich lernender logistischer Systeme.Abstract The autonomy of technical systems is considered a central driver of industrial efficiency, as it increases the flexibility and resilience of logistics processes. Advances in artificial intelligence open up new possibilities for developing systems from today’s comparatively low levels of autonomy into largely independent, self-learning units in the areas of perception, execution, and planning. In this context, this thesis systematically and theoretically establishes the conceptual framework of the Digital Continuum for the first time. This framework aims at the seamless integration of actively operating AI agents to enable continuous processes for the development and operation of autonomous logistics systems. To realize the Digital Continuum, existing discontinuities in the development and operation processes of autonomous systems in logistics must be eliminated. This thesis addresses one of the central gaps using autonomous mobile robots (AMR) in material flow systems as an example: the lack of automated generation of suitable digital training and testing environments. To this end, a method is developed that combines procedural content generation (PCG) techniques for generating the structural layout of environments with a server-based logic for creating dynamic material flows. The method is evaluated with regard to its ability to generate diverse environment structures, model dynamic material flows, and directly integrate robot control systems into the generated scenarios. The evaluation demonstrates that the developed method largely automates the modeling process of digital training and testing environments and can be integrated into the Digital Continuum as a parameterizable tool. The work thus provides both a conceptual and methodological contribution to the development of highly autonomous, adaptive, and continuously learning logistics systems.