Content uploaded by Mathias Rieder
Author content
All content in this area was uploaded by Mathias Rieder on May 11, 2019
Content may be subject to copyright.
Roboter in der Kommissionierung
Konzept zur effizienten Integration und Erweiterung
von Roboter-Picksystemen
M. Rieder, M.Eng., rieder@mail.hs-ulm.de
Technische Hochschule Ulm
1
, Prittwitzstraße 10, 89075 Ulm, Germany
Kurzfassung
Die fehlende Flexibilität von Robotern bei der Erkennung und dem Greifen von Objekten in
Kommissionierprozessen ist eine große Herausforderung für die Implementierung operativ
einsetzbarer automatisierter Systeme. Das vorgestellte Konzept begegnet dieser Problema-
tik mit einem lernfähigen Objekterkennungssystem, dessen Einsatzgebiet Kommissionierla-
ger mit Objekten ohne Ladehilfsmittel und Umverpackung sind. Als Grundlage der Objekter-
kennung werden Bilddatensätze der eingelagerten Objekte verwendet, die durch spezifische
Algorithmen analysiert werden, um Koordinaten zu ermitteln, an denen ein Kommissionier-
roboter das gesuchte Objekt greifen kann. Durch eine kooperative Arbeitsumgebung mit
menschlichen Kommissionierern wird eine Rückfallebene zur Gewährleistung der Prozess-
stabilität geschaffen sowie ein iterativer Lernprozess durch manuellen Eingriff ermöglicht.
[Kommissionierung, Roboter, Objekterkennung, Maschinelles Sehen, Maschinelles
Lernen]
Abstract
The lack of flexibility of robots in object detecting and gripping in picking processes is a major
challenge for the implementation of automated systems. The concept presented meets this
problem with an adaptive object recognition system whose field of application is picking ob-
jects without outer packaging or loading units. Sets of image data of the stored objects are
used for object recognition. These images are analyzed by specific algorithms to determine
1
Seit 01.03.2019 „Technische Hochschule Ulm, bis 28.02. „Hochschule Ulm“
coordinates at which a robot can pick the searched object. A cooperative work environment
with human pickers creates a fallback to ensure process stability and allows an iterative
learning process by manual intervention.
[picking, robot, object recognition, computer vision, machine learning]
1. Einleitung
Die Erwartung an die Einsatzmöglichkeiten von Robotern ist durch die Digitalisierung und
dem Einsatz von Methoden der Künstlichen Intelligenz im industriellen Sektor stark gestie-
gen [1]. Dieser Erwartung können Kommissionierroboter nur in speziellen Situationen ge-
recht werden, in denen die Prozesse auf die Fähigkeiten des Roboters zugeschnitten sind.
Für Transportaufgaben sind Roboter weitverbreitet im Einsatz, weil die Fähigkeit der Robo-
ternavigation die Prozessanforderungen erfüllt [2] [3]. Im Bereich der Kommissionierung
wird durch den Einsatz für Transport und Bereitstellung von derartigen Systemen bei Ama-
zon (Amazon Robotics), von Grenzebach (G-Com) oder Exotec Solutions (Skypod) der Au-
tomatisierungsgrad erhöht [4 bis 6]. Der Fokus der am Kommissionierprozess beteiligten
Menschen liegt auf den Erkennungs- und Greifaufgaben. Diese Arbeit beschäftigt sich mit
der Erkennungs- und Greiffähigkeit von Robotern, um diesen das Greifen von Objekten im
Kommissionierprozess in bestehenden Lagerstrukturen zu ermöglichen.
Für die hier beschriebene Betrachtung wird die Navigation eines Roboters durch das Lager
zu einem Ziel außer Acht gelassen, da diese Aufgabe, wie bereits beschrieben, eine hohe
Prozessreife besitzt und als weitgehend gelöst angesehen wird.
Um das Einsatzfeld von Robotern erweitern zu können, müssen sich diese flexibel auf Än-
derungen ihrer Umgebung einstellen können [7]. Da ein Lager ein dynamisches Umfeld ist,
können nicht alle möglichen Situationen a priori erfasst werden. Deshalb ist es notwendig,
Roboter mit einem lernfähigen Erkennungs- und Greifsystem auszustatten.
Roboter können mit der Flexibilität von Menschen in Kommissionierprozessen nicht konkur-
rieren, da lernfähige Steuerungen für Robotersysteme in diesem Bereich nicht umgesetzt
sind. Um diesem Defizit an Flexibilität zu begegnen liegen die derzeitigen Forschungs-
schwerpunkte im Bereich der manuellen Kommissionierung auf dem effizienten Einsatz von
Menschen [8]. Die Nutzung der menschlichen Flexibilität in den Bereichen Erkennung und
Greifen für Kommissionieraufgaben bietet den zentralen Vorteil gegenüber Robotern.
Zur Behebung dieses Defizits automatisierter Systeme soll im Rahmen dieser Forschungs-
arbeit der Frage nachgegangen werden, wie Roboter aus der Interaktion mit Menschen in
Kommissionierprozessen Lösungen für Objekterkennungs- und Greifaufgaben durch Ma-
schinelles Lernen ableiten können. Der konkrete Anwendungsfall sind Roboter, die auf Ba-
sis von Sensordaten die Position und Orientierung eines bekannten Objekts in einem Re-
galfach bestimmen sollen. Bei den Objekten handelt es sich um einzelne Produkte, wie sie
in Supermärkten angeboten werden, d. h. ohne Umverpackung und Ladehilfsmittel.
Für die Objekterkennung im Kommissionierprozess muss vorab eine Lernstichprobe ange-
legt werden. Daraus wird durch Training ein Modell erzeugt, welches die objekttypischen
Eigenschaften beschreibt und die zu unterscheidenden Objekte gegeneinander abgrenzt.
Zur Validierung des Modells wird dieses auf eine Teststichprobe von Bildern angewandt, die
nicht Teil der Lernstichprobe waren. Die Übereinstimmungen zwischen dem Modell und der
Stichprobe stellen das Ergebnis der Objekterkennung dar und werden ausgegeben [9] [10].
Dieser Aufbau ist in der folgenden Abbildung dargestellt.
Abbildung 1: Prinzipieller Ablauf der Objekterkennung [10]
Der Weiterentwicklung des Einsatzes von Robotern für Kommissionieraufgaben wird eine
hohe Bedeutung beigemessen, was sich u. a. in der jährlichen Durchführung der Amazon
Picking Challenge [11] oder durch das Forschungsprojekt KomRob des Karlsruher Institut
für Technik [12] zeigt.
2. Vorgehen
Zur Konzeptionierung des Einsatzes einer lernfähiger Robotersteuerung in einem Kommis-
sioniersystems wurden bestehende Kommissionierumgebungen analysiert und Anforderun-
gen an ein Roboter-Kommissioniersystem abgeleitet. Daraus ergaben sich folgende zent-
rale Anforderungen an das geplante, automatisierte Roboter-Picksystem [13]:
- Flexibilität
o Einsatzort, Wechsel des Einsatzorts
o Handhabbare Objekte (Gewicht, Form, Aussehen)
o Skalierbarkeit
o Umfeld, Infrastruktur, Störfaktoren, Zusammenarbeit
- Leistung
o Fehlerquote
o Prozesssicherheit
o Sicherheit für Menschen und Anlagegüter
o Verfügbarkeit
- Wirtschaftlichkeit
o Betriebskosten
o Integrationskosten
o Investition
Die Analyse hat gezeigt, dass die Komplexität von Kommissionieraufgaben eine komplette
Abwicklung mit automatischen Systemen aktuell nicht ausreichend effizient zulässt, weil Ro-
boter zu langsam oder ungenau arbeiten [14]. Aus diesem Grund ist der Einsatz von Men-
schen notwendig, die den Roboter unterstützen, bzw. von Robotern unterstützt und entlastet
werden können [15]. Roboter und Menschen können dabei in unterschiedlichen Zusammen-
arbeitsgraden gemeinsam an einer Aufgabe arbeiten [16]. Je nachdem wie sicher die Zu-
sammenarbeit ist und wie groß der Anteil des Roboters an einer Aufgabe ist, unterscheidet
man unterschiedliche Zusammenarbeitsgrade, welche in Abbildung 2 dargestellt sind.
Abbildung 2: Definition der Zusammenarbeitsgrade von Mensch und Roboter [16]
Die Intensität der Zusammenarbeit steigt dabei von links nach rechts an. Ab „Synchronisiert“
teilen sich Roboter und Mensch einen gemeinsamen Arbeitsraum (Schnittflächen der beiden
Halbkreise) ohne strikt voneinander getrennt zu sein. Für die Forschungsarbeit ist die Ko-
operation zwischen Roboter und Mensch ein zentrales Element, die wie folgt definiert ist:
„Beide Interaktionspartner können gleichzeitig im (gemeinsamen) Arbeitsraum Aufgaben
haben, arbeiten aber nicht gleichzeitig am selben Produkt oder Bauteil.“ [16]. In Abgrenzung
dazu wird bei Kollaboration gleichzeitig am selben Objekt gearbeitet [16].
Als Anwendungsszenario für den Einsatz des Konzepts ist das Kommissionieren aus einem
Fachbodenregal vorgesehen. In diesem werden Objekte sortenrein und auf eindeutig defi-
nierten Lagerplätzen gelagert. Die Erkennungsaufgabe besteht darin das gesuchte Objekt
zu identifizieren und zu lokalisieren. Für eine Steigerung der Komplexität kann an eine An-
ordnung der Objekte, ähnlich der im Einzelhandel, mit folgenden Eigenschaften gedacht
werden:
- keine klar abgegrenzten Lagerplätze
- Objekte, die verdreht im Regal stehen; Objektrückseite zum Kommissionierer
- Objekte, die durch das Einwirken Dritter an falschen Lagerplätzen stehen
- geringer Raum für den Zugriff auf die Objekte
- ungünstige Umgebungsbedingungen für Bildaufnahmen (Reflexion, Tageslicht, etc.)
- teilweise Deformation (geknickte Kartonverpackungen)
Das Artikelspektrum wird zunächst auf quaderförmige und zylindrische Objekte beschränkt.
Das Spektrum der erkenn- und greifbaren Objekte soll iterativ hin zu komplexeren Objekten
erweitert werden, so dass unregelmäßig geformte und biegeschlaffe Teile (luftgefüllte Tüten,
Plüschtiere) kommissioniert werden können.
3. Konzept
Das Ziel dieser Forschungsarbeit ist die Entwicklung eines Systems, das in der Lage ist
bekannte Objekte in einem Fachbodenregal selbstständig zu erkennen und zu greifen.
Diese Fähigkeit soll durch die Zusammenarbeit mit Menschen weiterentwickelt werden. Es
ergeben sich während des Kommissionierprozesses zwei Szenarien: Erfolgreiches Erken-
nen und Greifen eines gesuchten Objekts durch den Roboter oder das Scheitern an der
gestellten Aufgabe.
Ein erfolgreicher Prozess läuft folgendermaßen ab: Eine Lernstichprobe wird aufgenommen
und in einem Speicher abgelegt (vgl. Abbildung 1). Aus diesen Daten wird ein Modell be-
rechnet, das auf Bilder aus dem operativen Prozess angewandt wird, die von einer Kamera
an einem Roboter aufgenommen werden. Durch das Modell wird das gesuchte Objekt in-
nerhalb des aufgenommenen Bildes lokalisiert (Erreichen einer Erkennungswahrscheinlich-
keit PGrenz), aus der Orientierung des Objekts die Greifpunkte bestimmt und an den Roboter
gesendet. Dieser greift das Objekt aus dem Regal und legt ihn in einem Zielbehälter ab. Der
geschilderte Ablauf ist in der folgenden Abbildung skizziert. Die Speicherung der Lernstich-
probe und die Berechnung des Modells erfolgt dabei unabhängig vom Robotersystem.
Abbildung 3: Erfolgreicher Erkennungs- und Greifprozess
Da nicht davon ausgegangen werden kann, dass ein Modell beim ersten Einsatz direkt zum
Greiferfolg führt, wird die Lernstichprobe des Modells so lange erweitert, bis es bei seiner
Berechnung PGrenz überschreitet. Der Misserfolg bei der Anwendung eines Modells kann aus
Veränderungen des Designs des zu erkennenden Objekts resultieren (Aktionsverpackun-
gen, Verpackungswechsel). Um derartigen Änderungen zu begegnen werden zusätzliche
Bilder, in Kooperation mit Logistikmitarbeitern, direkt am Fachbodenregal über die am Ro-
boter montierte Kamera generiert. Hierfür nimmt der Roboter Bilder der Szene (bei fehlge-
schlagener Lokalisierung im Bild) oder des Greifprozesses des Mitarbeiters auf (bei fehlge-
schlagener Greifpunktbestimmung), was in Abbildung 4 dargestellt ist.
Diese Bilder erweitern den Bilddatensatz des Objekts und werden durch die Eingabe von
Fehlerdefinitionen über einen Monitor ergänzt, z. B. Objekt nicht erkannt obwohl sichtbar
oder Objekt verdeckt. Angaben über die Position des gesuchten Objekts in der Aufnahme
sowie Vorschläge für dessen Greifpunkte werden durch den Mitarbeiter hinzugefügt. In re-
gelmäßigen Abständen wird das Modell neu berechnet. Da dies je nach eingesetztem Trai-
ningsverfahren mehrere Stunden oder Tage Rechenaufwand in Anspruch nimmt, kann dies
nicht instantan erfolgen [17] [18]. Bis das Modell neu berechnet worden ist, ist das nicht
erfolgreich erkannte Objekt für die Kommissionierung durch Roboter gesperrt.
Abbildung 4: Neuberechnung des Modells nach Erweiterung der Lernstichprobe
Dieses Konzept ermöglicht ein prozesssicheres, kooperatives Arbeiten von Mensch und Ro-
boter in einem Kommissionierlager, indem Roboter Objekte kommissionieren, die bereits
erfolgreich erkannt werden. Objekte, die für den Roboter nicht erkenn- oder greifbar sind,
werden von den Mitarbeitern kommissioniert.
Außerdem können durch diesen Ansatz durchsatzarme Zeiträume genutzt werden, um das
Erkennungssystem zu trainieren: Einem Roboter wird ein Kommissionierauftrag mit einem
Objekt zugeteilt, das bis dato noch nicht zu den automatisch kommissionierbaren Objekten
zählt. Sollte sich herausstellen, dass für ein Objekt eine zu niedrige Erkennungswahrschein-
lichkeit erreicht wird, muss die Lernstichprobe analysiert, erweitert oder bereinigt werden.
Bei einer Erkennungswahrscheinlichkeit nahe PGrenz ist es sinnvoll weitere Bilddaten im lau-
fenden Betrieb zu erzeugen und das Modell iterativ zu verbessern. Sollte sich ein Modell
nicht PGrenz annähern, sondern weiter davon entfernen, müssen die vorhandenen Bilddaten
von einem Systemadministrator geprüft und angepasst werden.
Durch diesen Aufbau des Konzepts kann mehreren Problemen bei der Verwendung von
Robotern im Logistikumfeld begegnet werden.
1. Fehlende Verfügbarkeit von Bilddaten
Für Artikel sind in vielen Lagerverwaltungssystemen keine Informationen zu Ausse-
hen, Abmaßen oder Greifpunkten hinterlegt, weil diese für etablierte Prozesse nicht
benötigt werden. Wird eine Automatisierung von Kommissionierprozessen ange-
strebt, sind diese Daten notwendig. Durch die Erzeugung der Lernstichprobe mittels
einer Bildaufnahmestation ist es möglich, die benötigte Menge an Bildern mit wirt-
schaftlichem Aufwand unter kontrollierbaren Bedingungen und ortsunabhängig zu er-
zeugen. Erläuterungen zur Bildaufnahmestation erfolgen in Kapitel 4.
2. Entkopplung von Datenerfassung und Systemeinführung
Durch das teilautomatisierte Aufnehmen von Bildern in unterschiedlichen Dreh- und
Aufnahmewinkeln mittels einer Bildaufnahmestation ist es möglich mit dem Erstellen
der Lernstichprobe zu beginnen ohne in teure Roboterhardware investieren zu müs-
sen. Die Integration der Roboter in den Kommissionierprozess erfolgt erst nachdem
das Modell zur Objekterkennung berechnet und getestet wurde. Dadurch kann das
Projektrisiko reduziert werden.
3. Stetige Aktualisierung der Datenbasis
Durch das Einspeisen der Daten, die während der operativen Prozesse aufgenom-
men werden, bleibt die Datenbasis aktuell und Änderungen können bemerkt und be-
rücksichtigt werden.
4. Prozesssicherheit durch menschliche Rückfallebene
Durch die Einbindung von Menschen in den Kommissionierprozess besteht die Mög-
lichkeit flexibel auf Erkennungs- oder Greifprobleme des Robotersystems zu reagie-
ren. Bedingt durch den noch nicht ausreichenden Reifegrad des Erkennens und Grei-
fens von Objekten durch automatisierte Systeme wird die Kommissionierung in naher
Zukunft auch weiterhin auf die Mitarbeit von Menschen angewiesen sein, um die Effi-
zienz und Stabilität der Kommissionierprozesse zu gewährleisten. Es ist daher aktuell
notwendig, automatisierte Systeme in eine kooperative Arbeitsumgebung mit Men-
schen einzubetten.
4. Geplante Implementierung
Als Basis für das beschriebene Konzept dient eine Bildaufnahmestation. Dort wird als erster
Schritt die initiale Lernstichprobe aufgenommen. Dies ist in den Abbildungen 3 und 4 durch
ein Kamera-Symbol dargestellt.
Abbildung 5 zeigt die Bildaufnahmestation der Technischen Hochschule Ulm. Sie ist durch
die Montage auf Rollen mobil und besteht aus einem Grundgestell, einer Wippe mit Kame-
rahalterung sowie einem Drehteller. Am Ende der Wippe befindet sich die Kamerahalterung,
die für zwei Kameras ausgelegt ist und deren Abstand zum Drehteller stufenlos zwischen 0
cm und 70 cm eingestellt werden kann. Durch einen Motor kann der Aufnahmewinkel der
Kameras zum Drehteller zwischen 0° und 90° eingestellt werden. Der Drehteller im Zentrum
der Station wird von einem Schrittmotor angetrieben, der nach Vorgabe der gewünschten
Anzahl an Bildaufnahmen die entsprechenden Winkelstellungen anfährt.
Abbildung 5: Bildaufnahmestation der Technischen Hochschule Ulm
Die Kamerahalterung ist für zwei Kameras ausgelegt, um einen Leistungsvergleich zwi-
schen unterschiedlichen Kameratypen zu ermöglichen. Hierfür können mittels der vorge-
stellten Bildaufnahmestation Aufnahmen parallel mit beiden Kameratypen erzeugt werden.
Die Bildaufnahmestation dient als Grundlage für weitere Forschungstätigkeiten und wurde
in einer ähnlichen Form bereits von anderen Einrichtungen konzipiert. Dort ist sie zur Erzeu-
gung von 360°-Bildern für die Produktdarstellung in Onlineshops oder zur Erfassung von
Stammdaten im Einsatz [19] [20].
Für die Anwendung des Modells, das auf Basis der aufgenommenen Bilder errechnet wird,
wurde ein Regal einer realitätsgetreuen Kommissionierumgebung konstruiert. Die verwen-
deten Materialien wurden so ausgewählt, dass die Analyse unterschiedlicher Anwendungs-
szenarien ermöglicht wird. Es können beispielsweise reflektierende Böden oder Hinter-
gründe eingesetzt werden, um besonders anspruchsvolle Situationen untersuchen zu kön-
nen. Die Regalhöhe kann verändert und die Regaltiefe durch Einziehen einer zusätzlichen
Rückwand verkleinert werden.
Für einen ersten Vergleich von Kamerahardware stehen für das Projekt bisher ein PhoXi
3D-Scanner M von Photoneo und eine Kinect one von Microsoft zur Verfügung [21] [22].
5. Ausblick
Mit der entwickelten Bildaufnahmestation sollen systematisch Versuche durchgeführt wer-
den, die bewerten, welche Hardwareausstattung für den operativen Einsatz an einem Kom-
missionierroboter notwendig ist, um Resultate in ausreichender Qualität in Kommissionier-
prozessen erzielen zu können.
Für die erzeugten Bilddaten werden verschiedene Bildverarbeitungs- und Objekterken-
nungsalgorithmen angewandt, um passende Algorithmen oder Kombinationen von Algorith-
men zu identifizieren. Bei dieser Betrachtung wird geprüft, welche Bildeigenschaften für die
Berechnung des Modells im Logistikumfeld von Bedeutung sind.
Ein kritischer Aspekt für den operativen Einsatz wird außerdem die Gestaltung der Schnitt-
stellen zwischen Mensch, Roboter und Kamera sein. Nur wenn die zusätzlich erzeugten
Bilddaten mit geeigneten Informationen ergänzt werden, wird es dem Erkennungs- und
Greifsystem möglich sein, das Artikelspektrum um neue Objekte zu erweitern.
Sobald das Artikelspektrum in Laborversuchen durch das Erkennungs- und Greifsystem er-
folgreich um weitere greifbare Objekte erweitern werden konnte, soll dieses in realen Um-
gebungen erprobt werden, um die Erkenntnisse zur weiteren Systemverbesserung nutzen
zu können.
Hinweis
Dieses Promotionsprojekt wird im Rahmen des Kooperativen Promotionskollegs „Cognitive
Computing in Socio-Technical Systems“ der Technischen Hochschule Ulm und der Univer-
sität Ulm durchgeführt.
Literatur
[1] Schwarzkopf, P.: Robotik und Automation übertrifft Erwartungen, 05.06.2018, in
VDMA (Hrsg.), https://www.vdma.org/v2viewer/-/v2article/render/26317013 (Zugriff
am 04.12.2018)
[2] Dreßler J.: Navigation mobiler Systeme in Indoor-Umgebungen, FH Brandenburg
Diplomarb. 2001
[3] Lutz, M.; Verbeek, C.; Schlegel, C.: Towards a Robot Fleet for Intra-Logistic Tasks.
Combining Free Robot Navigation with Multi-Robot Coordination at Bottlenecks, in:
IEEE 21st Int. Conf. on Emerging Technologies and Factory Automation (ETFA).
Berlin, 2016
[4] Amazon Robotics (Hrsg.): amazonrobotics. We reinmagine now, 2018, in:
https://www.amazonrobotics.com/#/ (Zugriff am 10.12.2018)
[5] EXOTEC Solutions SAS RCS (Hrsg.): Exotec Solutions is building order preparation
systems based upon fleets of three dimensional robots, 2018, in: https://www.ex-
otecsolutions.com/?lang=en (Zugriff am 10.12.2018)
[6] Grenzebach Maschinenbau GmbH (Hrsg.): Fahrerlose Transportsysteme realisieren
Warenströme, 2018, in: https://www.grenzebach.com/de/produkte-maerkte/intralo-
gistik/ (Zugriff am 10.12.2018)
[7] Niesing, B.: Roboter – Kollegen mit Kraft, in: weiter.vorn – Das Fraunhofer-Magazin,
2.14 (2014), S. 8 - 13
[8] Franzke, T.: Der Mensch als Faktor in der manuellen Kommissionierung. Eine simu-
lationsbasierte Analyse der Effizienz in Person-zur-Ware-Kommissioniersystemen,
Wiesbaden, 2018
[9] Steinmüller, J.: Bildanalyse. Von der Bildanalyse zur räumlichen Interpretation von
Bildern, Berlin, 2008
[10] Stommel, M.: Zur Erkennung verformbarer Objekte anhand ihrer Teile, Dissertation,
Siegen, 2010
[11] Amazon Robotics (Hrsg.): Amazon Picking Challenge, 2018, in: http://amazonpick-
ingchallenge.org/ (Zugriff am 05.12.2018)
[12] Markert, K.: KomRob - Entwicklung eines autonomen Kommissionierrobotersys-
tems, 2018, in: https://www.ifl.kit.edu/robotik_und_interaktive_sys-
teme_komrob.php (Zugriff am 05.12.2018)
[13] Echelmeyer, W.: Challenges for Automation in Logistics, 2016, in: european Robot-
ics Forum 2016, Ljubljana, 21.-23.03.2016
[14] Jones Lang Lasalle (Hrsg.): Arbeitskräfte & Automatisierung und der zunehmende
Einsatz von Robotern in der Logistik. Werden Automatisierung und Roboter Lo-
gistikimmobilien und ihre Standorte in Europa verändern?, Frankfurt am Main, 2018
[15] de Koster, R.: Automated and Robotic Warehouses: Developments and Research
Opportunities, in: Logistics and Transport 38, 2 (2018), S. 33-40
[16] Bauer, W. (Hrsg.) u.a.: Leichtbauroboter in der manuellen Montage – Einfach anfan-
gen. Erste Erfahrungen und Anwenderunternehmen, Stuttgart, 2016
[17] MathWorks (Hrsg.): Deep Learning. Drei Dinge, die Sie wissen sollten, 2018, in:
https://de.mathworks.com/discovery/deep-learning.html (Zugriff am 19.12.2018)
[18] TensorFlow (Hrsg.): How to Retrain an Image Classifier for New Categories, 2018,
in: https://www.tensorflow.org/hub/tutorials/image_retraining (Zugriff am
19.12.2018)
[19] Kraus, W.: Logistik 4.0 - Roboter im Warenlager, in: Tag des Großhandels, Fach-
Forum 2: Digitale Prozesse im Großhandelsunternehmen, Stuttgart, 2018
[20] ScanMotion (Hrsg.): Die nächste Generation: 3D Produktfotos, 2018, in:
https://scanmotion.de/3dproduktbilder/ (Zugriff am 11.12.2018)
[21] Photoneo s. r. o. (Hrsg.): PhoXi® 3D-Scanner M, 2018, https://www.pho-
toneo.com/product-detail/phoxi-3d-scanner-m/?lang=de (Zugriff am 11.12.2018)
[22] Microsoft Corporation (Hrsg.): Kinect für Windows, 2018, https://developer.mi-
crosoft.com/de-de/windows/kinect (Zugriff am 11.12.2018)
