Effizienteres Recycling dank KI: Verbundprojekt entwickelt Lösung zur automatisierten Sortierung sperriger Abfälle

Die automatisierte Sortierung von Abfällen ist ein zentraler Bestandteil einer nachhaltigen Kreislaufwirtschaft. Während kleinere Abfallfraktionen wie Verpackungen oder Papier bereits maschinell in bandgeführten Sortieranlagen getrennt werden können, stellen großstückige Abfälle wie Sperr- oder Bauabfall nach wie vor eine Herausforderung dar. Bislang müssen sie aufwendig zerkleinert werden, bevor sie in konventionellen Anlagen sortiert werden können. Dies ist nicht nur ineffizient, sondern auch kosten- und energieintensiv. 

Hier setzte das vom DFKI Robotics Innovation Center koordinierte Projekt SmartRecycling-Up an, das im Rahmen der Förderlinie „KI-Leuchttürme für Umwelt, Klima, Natur und Ressourcen“ vom Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz (BMUV) gefördert wurde. Ziel war die Entwicklung einer intelligenten Lösung zur Sortierung großstückiger Abfälle, die ohne mechanische Zerkleinerung auskommt. Der Fokus lag dabei auf der automatisierten Rückgewinnung wertvoller Materialien wie Holz, Kunststoff oder Metall, die sich bislang nur schwer aus Mischabfällen separieren lassen. Auf diese Weise sollen Recyclingprozesse effizienter gestaltet, Ressourcen geschont und die Recyclingquote deutlich erhöht werden. 

DFKI: Autonome Steuerung durch lernfähige Systeme 

DDas DFKI hat im Rahmen von SmartRecycling-Up ein KI-basiertes Steuerungsframework entwickelt, das die Bewegungs- und Prozesssteuerung hydraulischer Schwermaschinen wie Kräne oder Bagger für das Recycling vollständig automatisieren kann. Das Framework besteht aus verschiedenen Modulen, die unterschiedliche Funktionalitäten für die Automatisierung abdecken. 

Das Modul „SmartMotionController“ nutzt Deep Reinforcement Learning, um die Bewegungsabfolgen der Maschine zu erlernen. Dazu analysiert es fortlaufend, wie die Maschine auf bestimmte Steuerbefehle reagiert, und passt die Bewegungsplanung entsprechend an. Grundlage dafür sind die Daten des Moduls „SmartStateEstimator“. Dieses Modul verarbeitet perspektivische Daten, die von externen Kamera- und Lidarsystemen während des Betriebs der Maschine erfasst werden. Um die Ausrichtung der Maschine kontinuierlich zu schätzen, arbeitet es mit generativer KI für Bildverarbeitung und anderen fortschrittlichen KI-Verfahren. So lernt der Controller die Beziehung zwischen Steuerbefehlen und Maschinenbewegungen und kann den Greifarm dadurch autonom steuern. Ein „SmartProcessController“ koordiniert zudem den gesamten Prozess von der Objekterkennung über die Lageabschätzung bis hin zur kollisionsfreien Trajektorienplanung und -ausführung.