Schubert Motion garandeert dat robots vloeiend en stabiel bewegen
Friday February 20, 2026
Bij het horen van de term ‘robotbeweging’ denken veel mensen nog steeds aan schokkerige, enigszins houterige bewegingen zoals bij breakdance. In moderne productie- en verpakkingslijnen is echter precies het tegenovergestelde nodig: zeer dynamische, maar tegelijkertijd vloeiende bewegingen die producten beschermen en cyclustijden verkorten. Intelligente baanplanning – bijvoorbeeld via AI-ondersteunde bewegingsoptimalisatie en gecoördineerde samenwerking tussen robots en mechanica – maakt het mogelijk om het volledige potentieel van robotbewegingen in verpakkingsprocessen te benutten.
Binnen de robotica werd bewegingsplanning lange tijd beschouwd als een grotendeels opgelost vraagstuk, met een voldoende kwaliteitsniveau. Het ging er vooral om een geldige bewegingsbaan te definiëren en deze zo soepel mogelijk te volgen. Of dit bijzonder snel, voorzichtig en productvriendelijk, energie-efficiënt of cyclusgeoptimaliseerd gebeurde, was weliswaar onderwerp van wetenschappelijk onderzoek, maar speelde in de dagelijkse praktijk lange tijd slechts een ondergeschikte rol.
Met steeds hogere cyclussnelheden, een grotere variatie aan robotmechanica en toepassingen, het verwerken van gevoelige producten en snelle bewegingen in krappe ruimtes, loopt deze standaardaanpak nu echter tegen haar grenzen aan – met name in verpakkingsprocessen. Hier werken pick-and-place-robots met hoge snelheden in beperkte ruimtes, vaak synchroon met continu lopende transportbanden. Elke beweging moet binnen een strak cyclusvenster passen.
Formule 1-logica in de verpakkingslijn
Dit roept associaties op met de autosport: net als in de Formule 1 moet elk ‘voertuig’ in de verpakkingslijn zijn ronde zo snel en veilig mogelijk afleggen. Tegelijkertijd moet met tal van factoren rekening worden gehouden: beperkte versnelling van gevoelige producten of producten met een bepaalde massa en traagheid, botsingsvrij werken in de beperkte machineruimte en aandrijflimieten. Om al deze onderlinge afhankelijkheden te verenigen, combineren moderne motion control-algoritmen klassieke optimalisatie met lerende modellen. Op basis van een gegeven set omstandigheden houden zij rekening met mogelijke obstakels en beperkingen en berekenen zij een traject dat het doel zo snel en veilig mogelijk bereikt.
Kunstmatige intelligentie als versneller van baanplanning
De wiskundige zoektocht naar de optimale baan is zeer rekenintensief. Hoe meer randvoorwaarden worden meegenomen, hoe complexer de optimalisatie wordt. Bewegingssequenties moeten bovendien direct na een formaatwissel betrouwbaar blijven functioneren, zonder lange inregel- of optimalisatiefases.
De aanpak van het Schubert Motion-team verplaatst een groot deel van het rekenwerk naar een virtueel testlaboratorium. Voor typische taken – zoals het oppakken, uitlijnen en neerleggen van producten met F2- of F4-robots – worden talloze varianten doorgerekend en als bewegingsprofielen opgeslagen in neurale netwerken. Op de echte machine roept de besturing deze aangeleerde optimale trajecten binnen enkele milliseconden op. Wat voorheen seconden aan rekentijd vergde, is nu beschikbaar in enkele duizendsten van een seconde – een aanzienlijk voordeel dat realtime-aansturing überhaupt mogelijk maakt.
Schuberts nieuwe TLM-serie, die dit jaar op Interpack wordt gepresenteerd, beschikt over AI-geoptimaliseerde robotbewegingen en realiseert aanzienlijke energiebesparingen door energieterugwinning tijdens het remmen. Het team uit Dresden ontwikkelde daarnaast een nieuw machineframeconcept met vier keer zoveel stijfheid, wat de oscillatie van de robot aanzienlijk vermindert en tegelijkertijd de ruimtebenutting en toegankelijkheid van het systeem verbetert. Meer details worden voor het eerst gepresenteerd op de komende beurs.
Binnen de robotica werd bewegingsplanning lange tijd beschouwd als een grotendeels opgelost vraagstuk, met een voldoende kwaliteitsniveau. Het ging er vooral om een geldige bewegingsbaan te definiëren en deze zo soepel mogelijk te volgen. Of dit bijzonder snel, voorzichtig en productvriendelijk, energie-efficiënt of cyclusgeoptimaliseerd gebeurde, was weliswaar onderwerp van wetenschappelijk onderzoek, maar speelde in de dagelijkse praktijk lange tijd slechts een ondergeschikte rol.
Met steeds hogere cyclussnelheden, een grotere variatie aan robotmechanica en toepassingen, het verwerken van gevoelige producten en snelle bewegingen in krappe ruimtes, loopt deze standaardaanpak nu echter tegen haar grenzen aan – met name in verpakkingsprocessen. Hier werken pick-and-place-robots met hoge snelheden in beperkte ruimtes, vaak synchroon met continu lopende transportbanden. Elke beweging moet binnen een strak cyclusvenster passen.
Formule 1-logica in de verpakkingslijn
Dit roept associaties op met de autosport: net als in de Formule 1 moet elk ‘voertuig’ in de verpakkingslijn zijn ronde zo snel en veilig mogelijk afleggen. Tegelijkertijd moet met tal van factoren rekening worden gehouden: beperkte versnelling van gevoelige producten of producten met een bepaalde massa en traagheid, botsingsvrij werken in de beperkte machineruimte en aandrijflimieten. Om al deze onderlinge afhankelijkheden te verenigen, combineren moderne motion control-algoritmen klassieke optimalisatie met lerende modellen. Op basis van een gegeven set omstandigheden houden zij rekening met mogelijke obstakels en beperkingen en berekenen zij een traject dat het doel zo snel en veilig mogelijk bereikt.
Kunstmatige intelligentie als versneller van baanplanning
De wiskundige zoektocht naar de optimale baan is zeer rekenintensief. Hoe meer randvoorwaarden worden meegenomen, hoe complexer de optimalisatie wordt. Bewegingssequenties moeten bovendien direct na een formaatwissel betrouwbaar blijven functioneren, zonder lange inregel- of optimalisatiefases.
De aanpak van het Schubert Motion-team verplaatst een groot deel van het rekenwerk naar een virtueel testlaboratorium. Voor typische taken – zoals het oppakken, uitlijnen en neerleggen van producten met F2- of F4-robots – worden talloze varianten doorgerekend en als bewegingsprofielen opgeslagen in neurale netwerken. Op de echte machine roept de besturing deze aangeleerde optimale trajecten binnen enkele milliseconden op. Wat voorheen seconden aan rekentijd vergde, is nu beschikbaar in enkele duizendsten van een seconde – een aanzienlijk voordeel dat realtime-aansturing überhaupt mogelijk maakt.
Schuberts nieuwe TLM-serie, die dit jaar op Interpack wordt gepresenteerd, beschikt over AI-geoptimaliseerde robotbewegingen en realiseert aanzienlijke energiebesparingen door energieterugwinning tijdens het remmen. Het team uit Dresden ontwikkelde daarnaast een nieuw machineframeconcept met vier keer zoveel stijfheid, wat de oscillatie van de robot aanzienlijk vermindert en tegelijkertijd de ruimtebenutting en toegankelijkheid van het systeem verbetert. Meer details worden voor het eerst gepresenteerd op de komende beurs.
More 
Previous 