Ziel der Maßnahme ist die Konzeption und prototypische Realisierung eines adaptiven Sortiersystems, das industrielle Teile (z. B. Komponenten unterschiedlicher Geometrie, Materialausprägung oder Varianten) optisch erfasst, klassifiziert und anschließend in definierte Behälter sortiert. Kern der Entwicklung ist ein lernfähiger Algorithmus, der nicht ausschließlich auf fixen Regeln oder statischen Klassifikationsmodellen basiert, sondern seine Sortierstrategie durch Rückmeldung aus dem Prozess kontinuierlich verbessert.

Hierfür wird ein Reinforcement-Learning- bzw. Feedback-Lernansatz implementiert, bei dem das Robotersystem nach einer Sortierentscheidung eine Bewertung („gut/schlecht“ bzw. Reward/Penalty) erhält. Durch diese Rückkopplung lernt das System, welche Zuordnung Teil → Zielbehälter in der jeweiligen Anwendung korrekt ist. Dadurch wird eine robuste Anpassungsfähigkeit an wechselnde Teile, neue Varianten sowie unterschiedliche Sortierlogiken erreicht, ohne dass jede Änderung manuell nachprogrammiert werden muss.

Technisch umfasst die Maßnahme folgende Kernelemente:

• Aufbau eines Robotik-Demonstrators mit Greifer, Behältersystem und Sensorik

• Visuelle Objekterkennung (z. B. RGB/RGB-D, Merkmalsextraktion, Klassifikation)

• Entwicklung einer Entscheidungslogik zur Behälterzuordnung (Policy)

• Implementierung eines Feedback-Mechanismus zur Bewertung von Sortieraktionen

• Training und Validierung des Lernalgorithmus anhand realer Sortierzyklen

• Evaluierung der Performance (Erkennungsrate, Fehlwurfquote, Lernkurve, Taktzeit)

Das Ergebnis der Maßnahme ist ein funktionsfähiger Technologie-Demonstrator, der die Machbarkeit eines selbstlernenden Sortierroboters nachweist und als Basis für weitere Transfer- und Skalierungsprojekte dient. Der Fokus liegt auf einer praxisnahen industriellen Anwendung, insbesondere in Bereichen wie Produktion, Logistik, Montagevorbereitung oder Recycling-/Sortierprozessen, in denen flexible Bauteilzuordnung und Variantenvielfalt eine zentrale Herausforderung darstellen.