Jede Sendung und jede Materialtafel ist ein Puzzle: Welche Artikel kommen wohin, in welcher Ausrichtung und Reihenfolge. Pack- und Schachtelungsmodule kombinieren exakte und heuristische Solver mit gelernten Strategien, um Füllgrade zu erhöhen, den Versand von Leerraum zu verringern und Ausschuss zu senken – unter Beachtung von Gewichts-, Stabilitäts-, Entladereihenfolge- und Schneidtechnikregeln. Typischer Nutzen: weniger Lkw oder Container und weniger Rohmaterial je Ausbringungseinheit.
Problem & Nutzen
- Heute: Disponenten beladen nach Erfahrung, Tabellenkalkulation oder festen Palettenmustern; Betriebe für Blech, Holz, Textil und Glas verschachteln Teile mit CAM-Werkzeugen oder von Hand. Die Ergebnisse hängen vom Disponenten und vom Zeitdruck ab.
- Problemklasse: 3D-Bin-Packing, Containerbeladung, Palettenaufbau, 2D-/1D-Zuschnittproblem (Cutting Stock) und unregelmäßige Verschachtelung sind NP-schwer. Reale Fälle bringen praktische Nebenbedingungen hinzu (Achslasten, Bruchempfindlichkeit, Mehrfach-Abladestellen, Faserrichtung, Guillotine-Schnitte, Wiederverwendung von Restteilen).
- Nutzen durch KI: bessere Ausnutzung von Fahrzeug- und Containervolumen (weniger Fahrten, weniger CO2 je transportierter Einheit), höhere Materialausbeute und weniger Ausschuss, schnelle Neuplanung bei Auftragsänderungen und automatische Ladeanweisungen für Mitarbeitende oder Roboter.
- Belege: Anbieter veröffentlichen Gewinne bei Auslastung und Ausbeute, die Zahlen hängen aber stark von der Ausgangslage und der Artikelmischung ab; testen Sie anhand Ihrer eigenen Aufträge, statt sich auf Marketingzahlen zu verlassen. Wissenschaftliche Arbeiten zu gelerntem Online-Packen berichten auf synthetischen Daten von Verbesserungen gegenüber einfachen Heuristiken [3].
Varianten
- Container- und Lkw-Beladung: 3D-Ladepläne für Seecontainer, Auflieger und Wechselbrücken, einschließlich Mehrfach-Abladestellen, LIFO-Reihenfolge und Ladungssicherung nach EN 12195-1.
- Palettenaufbau und Palettieren gemischter Kartons: Paletten mit SKU-Mix für den Handelsvertrieb und E-Commerce; Verknüpfung mit ROBO-014 für die Ausführung durch Roboter.
- Paket- und Kartonauswahl („Cartonisation“): den kleinsten Karton für einen Auftrag beim Verpacken wählen; Verknüpfung mit OPT-006.
- Zuschnitt und Verschachtelung: 1D (Stangen, Rohre, Rollen), 2D (Blech, Holzplatten, Glas, Leder, Schnittbilderstellung für Textilien) und unregelmäßige Verschachtelung für Laser, Plasma, Stanzen und CNC-Fräsen.
- Packen des Bauraums in der additiven Fertigung: Teile in der Baukammer eines 3D-Druckers verschachteln.
- Private Nutzung: Apps zum Packen für Umzug oder Kofferraum sind eine Nische; eigene Produkte sind nicht nötig.
So funktioniert es
- Aufträge / Teilelisten + Artikel- und Behälterstammdaten (WMS, ERP, CAD)
- Nebenbedingungsmodell (Maße, Gewicht, Ausrichtung, Stapelung, Reihenfolge, Schnittregeln)
- Löser: konstruktive Heuristik + lokale Suche / Metaheuristik oder exaktes CP-SAT / MIP
- optionale gelernte Komponente (RL-Platzierungsstrategie, vorhergesagter Artikelmix, Parameterabstimmung)
- Physik-/Stabilitätsprüfung und Simulation (Schwerpunkt, Achslast, Kollision, Schnittfuge)
- Planprüfung durch Disponenten (3D-Ansicht, manuelle Änderungen)
- Anweisungen / CAM-Export / Roboterbefehle
- Ist-Soll-Rückmeldung (Schäden, Ladezeit, Verschnitt) in die Parameterabstimmung
- Kern: Die klassische Operations Research leistet die Hauptarbeit: Extreme-Point- und Schichtaufbau-Heuristiken, genetische Algorithmen, Simulated Annealing, Constraint Programming (CP-SAT) und MIP für kleine oder gut strukturierte Fälle [1][2].
- Lernkomponenten: Deep Reinforcement Learning trainiert Platzierungsstrategien für Online-Packen, bei dem Kartons einzeln und ohne Vorausschau eintreffen (robotisches Palettieren, Packen am Förderband) [3]; ML-Modelle sagen außerdem Abmessungen oder Handhabungszeiten aus Artikelstammdaten voraus und stimmen Solver-Parameter ab.
- Bildverarbeitung: Tiefenkameras (3d-vision) vermessen eintreffende Pakete oder den verbleibenden Platz für Online-Packen und robotisches Packen.
- Rolle von LLMs: gering; LLMs helfen, Wünsche von Disponenten in Solver-Nebenbedingungen zu übersetzen (siehe OPT-018) oder Abmessungen aus Packlisten zu extrahieren (DOC-006).
- Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten genehmigen oder bearbeiten Pläne; Fahrer oder Lader haben in Sicherheitsfragen das letzte Wort.
Datenaufbereitung
- Welche Daten: Artikelstammdaten (Abmessungen, Gewicht, Stapelbarkeit, Ausrichtung), Aufträge und Teilelisten, Spezifikationen von Containern, Lkw und Tafeln, CAD-Dateien (DXF, STEP), historische Lade- und Zuschnittaufträge.
- Wo die Daten im Mittelstand liegen: Artikeltabellen in ERP oder WMS, Packlisten in Excel, Datenblätter von Lieferanten, CAD-Ordner auf Dateiablagen, Packlisten als PDF oder auf Papier.
- Typische Lücken: fehlende oder falsche Abmessungen und Gewichte, keine Kennzeichen für Stapelbarkeit oder Bruchempfindlichkeit, doppelte Artikelnummern, uneinheitliche Einheiten, CAD-Dateien in gemischten Formaten, Packlisten nur auf Papier.
- Schritte: (1) die 80 Prozent des Volumens mit dem größten Anteil auswählen und die Abmessungen anhand einer Stichprobe nachmessen (ein Dimensionierungsscanner hilft); (2) Attribute für Stapelbarkeit, Ausrichtung und Gefahrgut ergänzen; (3) Einheiten vereinheitlichen und Duplikate entfernen, für saubere Tabellen siehe PREP-011; (4) ERP- oder WMS-Daten über PREP-005 exportieren; (5) CAD in DXF umwandeln; (6) Packlisten von Lieferanten mit DOC-006 auslesen. Werkzeuge: Excel oder Power Query, Python/pandas, Paperless-ngx für Papierlisten.
- Anteil am Aufwand: etwa 30–40 Prozent und der wichtigste Kostentreiber. Siehe GUIDE-003.
Umsetzungswege
Welcher Weg für wen
- KMU: A. Ausgereifte EU-Produkte für Ladepläne und Verschachtelung gibt es zu KMU-tauglichen Preisen, und der Prozess ist standardisiert; Maschinenbauer bündeln oft ein Schachtelungspaket mit.
- Großunternehmen: B. Eigene Verpackungsregeln, Spezialfahrzeuge und eine enge WMS/TMS-Integration lassen sich am besten mit einem Solver-Dienst (OR-Tools, Hexaly, Gurobi) auf Basis von Cloud-APIs bedienen.
- Entwickler: C. OR-Tools CP-SAT und HiGHS laufen auf einem einfachen CPU-Server und geben volle Kontrolle über die Nebenbedingungen.
Weg A — Kaufen (für die meisten KMU empfohlen)
- Lade- und Containerplanung: Cargo-Planner (Schweden, EU), MixMove (Deutschland, EU, Paletten- und Mischladungsplanung) sowie TMS-/WMS-Module großer Anbieter (SAP, Manhattan, Blue Yonder, Descartes) und TMS-Werkzeuge mit integrierten Ladeplänen.
- Verschachtelung und Zuschnitt: TRUMPF TruTops Boost (Deutschland, EU), Lantek (Spanien, EU), Alma (Frankreich, EU), Lectra (Frankreich, EU, Textilien/Leder), HOMAG cutRite (Deutschland, EU, Plattenoptimierung), Hypertherm ProNest, SigmaNEST und Radan; Hersteller von CAM-Systemen sowie von Laser- und Plasmamaschinen bündeln meist ein Schachtelungspaket mit.
- Wählen Sie A, wenn: Standard-Artikelarten und -Maschinen vorliegen und die Integration in das vorhandene WMS/CAM wichtiger ist als eigene Algorithmen.
- Prüfen Sie: Abdeckung der Nebenbedingungen (Achslast, LIFO, Faserrichtung, Restteile), Importformate (DXF, STEP, EDI), API-Zugang, Laufzeit für typische Aufträge, Option für On-Premises oder Hosting in der EU.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Solver als Dienst oder Bibliotheksaufrufe: Gurobi, Hexaly (Frankreich, EU) und CPLEX für MIP-/Lokalsuche-Modelle; Google OR-Tools CP-SAT als kostenlose Alternative [1][2].
- Orchestrierung: ein Microservice, der Auftragslisten entgegennimmt, Pläne als JSON zurückgibt und eine 3D-Visualisierung in einem Web-Viewer (three.js) liefert; Ergebnisse werden ins WMS/TMS zurückgeschrieben.
- LLM-Schicht (optional): ein LLM über einen in der EU gehosteten Endpunkt (Mistral oder EU-Regionen der Hyperscaler), um freitextliche Ladeanfragen oder Packlisten in Nebenbedingungsobjekte zu überführen.
- Wählen Sie B, wenn: Sie ungewöhnliche Nebenbedingungen haben (eigene Verpackungsregeln, Spezialfahrzeuge), die Standardwerkzeuge nicht abbilden.
Weg C — Selbst betreiben (Open Source)
- Solver: Google OR-Tools (CP-SAT, Bin-Packing- und Rucksackmodelle) [1][2], HiGHS und SCIP für MIP, py3dbp und ähnliche Python-Bibliotheken für 3D-Packen für Prototypen [4].
- Verschachtelung: SVGnest und DeepNest für unregelmäßige 2D-Verschachtelung, geeignet für Hobby- oder Kleinbetriebe mit Laserschneiden [5][6]; prüfen Sie für den Produktiveinsatz Lizenz und Robustheit.
- Gelernte Strategien: PyTorch mit offenen RL-Umgebungen für Online-3D-Packen; Isaac Sim oder PyBullet für die Stabilitätssimulation.
- Hardware: HW1 (CPU-Server); Solver sind CPU-gebunden. Eine GPU (HW2) hilft nur beim RL-Training und bei der Bildverarbeitung.
- Betriebsaufwand: erfordert einen Entwickler mit OR-Kenntnissen; planen Sie Modellpflege und Testdatensätze ein.
Weg D — Eigenes Training
Lohnt sich für robotisches Palettieren mit hohem Volumen oder Packen am Förderband mit Online-Eingang, wo eine in der Simulation trainierte Strategie Heuristiken schlagen kann, oder um Solver-Parameter je Klasse von Kundenfällen abzustimmen. Daten: historische Aufträge mit Artikelabmessungen und Simulationsumgebungen; die Lücke zwischen Simulation und Realität sowie die Stabilität unter Vibration müssen physisch validiert werden.
Stand der Technik (2026)
- Hybride Ansätze dominieren: starke Heuristiken und CP-SAT oder MIP liefern die Basis; Lernverfahren ergänzen Orientierung (welcher Artikel als Nächstes, welche Platzierung), statt den Solver zu ersetzen.
- Online-3D-Packen mit RL ist ein aktives Forschungsfeld mit Simulations-Benchmarks, mit wachsendem, aber noch begrenztem industriellem Einsatz, vor allem beim robotischen Palettieren [3].
- Praktische Nebenbedingungen (Stabilität, Ladungssicherung, Entladereihenfolge, Stapeln gemischter Gewichte) bleiben die Lücke zwischen Benchmark-Ergebnissen und realen Ladeplänen; Pläne müssen gegen EN 12195-1 und Fahrzeuggrenzen geprüft werden.
- Verschachtelung ist in CAM-Suiten mit automatischer Restteilverwaltung und Schnitten entlang gemeinsamer Linien ausgereift; KI ergänzt meist die Automatisierung der Auftragsvorbereitung (Teileerkennung aus CAD).
- Grenzen: Angegebene Artikelabmessungen sind oft falsch; weiche Waren verformen sich; geplante Layouts brechen, wenn Lader abweichen. Optimale Pläne nützen nur, wenn sie sich schnell umsetzen lassen.
Gemeinsame Bausteine & Kombinationen
- Solver-Stack (optimization-solver): gemeinsam mit OPT-001 (Tourenplanung), OPT-002 (Ablaufplanung), OPT-006 (Lagerplatzzuordnung) und OPT-008; ein CP-SAT-/MIP-Dienst und eine Testdaten-Pipeline bedienen alle.
- Vorgelagert: OPT-005 (Nachschub) und OPT-001 (Tourenplanung) bestimmen, was auf welches Fahrzeug geladen wird.
- Nachgelagert: ROBO-014 robotisches (De-)Palettieren, OPT-037 Stapelung im Containerterminal.
- Verwandt: OPT-009 (Prozessparameter an Zuschnittmaschinen), PRED-032 (Kostenschätzung aus CAD, die die Schachtelungsausbeute nutzt), DOC-006 (Packlisten auslesen), OPT-033 (Frachtvermittlung mit Laderaumauslastung).
Aufwand, Kosten & Kennzahlen
- Weg A: Tage bis Wochen; Abonnement oder Lizenz, Schachtelungssuiten sind meist lizenzbasiert.
- Weg B: 2–4 Monate für einen Produktivdienst mit WMS/TMS-Integration.
- Weg C: 1–3 Monate für einen Prototyp, länger für die Produktionshärtung.
- Weg D: 6+ Monate einschließlich Simulation und Roboterintegration.
- Kostentreiber: Qualität der Stammdaten (Artikelabmessungen), Modellierung der Nebenbedingungen, Integration.
- Kennzahlen: Volumen- und Gewichtsauslastung je Fahrzeug, Fahrten oder Container je Zeitraum, Materialausbeute (% der genutzten Tafel), Ausschuss- und Restteil-Wiederverwendungsquote, Planungszeit je Auftrag, Ladezeit, Schadensfälle, CO2 je Tonnenkilometer.
Menschen & Veränderung
- Früh einbinden: Geschäftsleitung (Zielkennzahlen), Logistik- oder Produktionsleitung (Prozessverantwortliche), Disponenten und Lader (Nutzer, die eigentlichen Experten für Nebenbedingungen), IT (Schnittstellen zu ERP/WMS/CAM) und die Verantwortlichen für Artikelstammdaten.
- Betriebsrat: kommt darauf an. Der Optimierer arbeitet mit Waren, nicht mit Menschen; daher bestehen meist wenig Überwachungsbedenken. Relevant wird es, wenn das Werkzeug protokolliert, welcher Disponent Pläne bearbeitet hat, oder Ladezeiten je Person misst; dann greift § 87 Abs. 1 Nr. 6 BetrVG. Unterrichten Sie den Betriebsrat nach § 90 Abs. 1 Nr. 3, wenn sich Lade- oder Planungsprozesse ändern. Öffentlicher Dienst: Personalrat.
- Datenschutz: Artikeldaten sind nicht personenbezogen; Namen und Adressen von Empfängern sind es, übermitteln Sie daher nur Abmessungen an Cloud-Dienste und schließen Sie einen AVV (Art. 28 DSGVO) ab, wenn Auftragsdaten weitergegeben werden. Eine Prüfung durch die/den Datenschutzbeauftragte(n) genügt, eine DSFA wird nicht erwartet.
- KI-Kompetenz: Unterstützen Sie Disponenten und Lader mit einer kurzen Einführung, wie Pläne entstehen und wann sie eingreifen sollten (Art. 4 KI-Verordnung), siehe GUIDE-006.
- Pilot und Kommunikation: Testen Sie 20–50 historische Aufträge gemeinsam mit der Ladecrew, dann eine Route oder Maschine. Typische Bedenken sind unrealistische Pläne und der Verlust der Erfahrung der Disponenten; begegnen Sie ihnen, indem Sie Nebenbedingungen gemeinsam mit der Crew ergänzen, manuelle Änderungen erlauben und dem Fahrer oder Lader in Sicherheitsfragen das letzte Wort geben.
- Leitfäden: GUIDE-008, GUIDE-009, GUIDE-004.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): minimales Risiko. Packen und Verschachteln sind keine Anwendungsfälle nach Anhang III; die KI-Kompetenz (Art. 4) gilt. Roboterzellen, die Pläne ausführen, unterliegen den Maschinensicherheitsvorschriften (Verordnung (EU) 2023/1230) und nicht den Hochrisiko-Kategorien der KI-Verordnung, sofern die KI kein Sicherheitsbauteil ist [7].
- DSGVO: Artikel- und Sendungsdaten sind in der Regel nicht personenbezogen; Namen und Adressen von Empfängern in Auftragsdaten sind es, wenden Sie daher Datenminimierung an, wenn Auftragsdaten an Cloud-APIs gesendet werden (meist unnötig: nur Abmessungen senden).
- Transportsicherheit: Ladungssicherung (EN 12195-1, nationale Regeln wie die VDI-2700-Reihe in Deutschland), Achslast- und Gesamtgewichtsgrenzen bleiben in der Verantwortung von Fahrer und Verlader; Software kann die Haftung nicht übertragen.
- Risiken: falsche Stammdaten, die zu nicht umsetzbaren Plänen führen; instabile Ladungen; Herstellerbindung an proprietäre Schachtelungsformate. Gegenmaßnahmen: Prüfung der Abmessungen, Sicherheitsabstände, Regeln zur Plausibilisierung der Pläne, Export in offenen Formaten (DXF), menschliche Freigabe vor der Ausgabe.
Erste Schritte
- Messen Sie die Ausgangslage: durchschnittlicher Füllgrad oder Materialausbeute, Fahrten/Container pro Monat, Planungsaufwand.
- Bereinigen Sie die Artikelstammdaten (Abmessungen, Gewichte, Stapelbarkeit) für die 80 % des Volumens mit dem größten Anteil.
- Lassen Sie 20–50 historische Aufträge oder Zuschnittaufträge durch 2–3 Werkzeuge laufen (z. B. Cargo-Planner, OR-Tools-Prototyp).
- Fügen Sie Nebenbedingungen einzeln hinzu (LIFO, Achslast, Faserrichtung) und prüfen Sie die Pläne mit der Ladecrew.
- Binden Sie WMS/TMS oder CAM an und verfolgen Sie Auslastung und Ausschuss monatlich.
Quellen
- Google OR-Tools — Bin packing — https://developers.google.com/optimization/pack/bin_packing
- Google OR-Tools — CP-SAT solver — https://developers.google.com/optimization/cp/cp_solver
- Zhao et al. — Online 3D Bin Packing with Constrained Deep Reinforcement Learning (AAAI 2021) — https://arxiv.org/abs/2006.14978
- py3dbp — 3D bin packing library — https://github.com/enzoruiz/3dbinpacking
- SVGnest — https://github.com/Jack000/SVGnest
- DeepNest — https://github.com/Jack000/Deepnest
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj