Roboterprogrammierung durch Vormachen & natürliche Sprache

Die klassische Programmierung eines Industrieroboters erfordert eine Fachkraft, ein Programmierhandgerät und Tage je Aufgabe; deshalb werden kleine Serien und häufige Umrüstungen selten automatisiert. Das Teachen von Hand, No-Code-Fähigkeitsbibliotheken und zunehmend LLM/VLM-gestützte Programmerzeugung erlauben es einem Prozessexperten, eine Aufgabe durch Vormachen oder Beschreiben zu definieren. Das erzeugte Programm wird in der Simulation geprüft und von einem Menschen freigegeben. KI verkürzt Inbetriebnahme und Umrüstung; sie ersetzt nie die Sicherheitsvalidierung der Zelle.

Problem & Nutzen

• Heute: Roboterprogramme schreiben Integratoren in Herstellersprachen (KRL, RAPID, URScript, Karel) oder sie werden Punkt für Punkt eingelernt. Jede Produktvariante und jede Layoutänderung braucht erneut dieselbe Fachkraft. KMU mit Losgrößen von 1-100 verzichten daher oft auf Automatisierung, und der Mangel an Roboterprogrammierern verschärft das.
• KI-Nutzen: schnellere Einrichtung neuer Aufgaben (Palettiermuster, Maschinenbeschickung, Schrauben, Kleben, einfache Montage), Wiederverwendung von Fähigkeiten über Varianten hinweg, geringere Abhängigkeit von externen Integratoren und Qualifizierung von Beschäftigten der Fertigung zu „Roboterlehrern".
• Belege: Hersteller berichten von Cobot-Anwendungen, die in Tagen statt Wochen in Betrieb gehen, doch es gibt nur wenige unabhängige, quantifizierte Studien; messen Sie an Ihrer eigenen Aufgabe. Der Markt ist real: Die IFR zählt weltweit rund 540.000 2024 installierte Industrieroboter und sieht einfachere Programmierung als wichtigen Treiber für KMU [1].

Varianten

• Führen von Hand / kinästhetisches Teachen: den Arm von Hand führen, Wegpunkte, Werkzeugaktionen und Kraftprofile aufzeichnen (Standard bei Cobots).
• No-Code-Fähigkeitsgraphen: Drag-and-drop-Fähigkeiten (Greifen, Ablegen, Schrauben, Prüfen) mit kamerabasierter Parametrierung (UR PolyScope X, Wandelbots, Intrinsic Flowstate, Franka Desk).
• Lernen durch Vormachen (LfD / Imitationslernen): teleoperierte oder Video-Demonstrationen trainieren eine visuomotorische Strategie (ACT, Diffusion Policy, VLA-Modelle) für kontaktreiche oder variable Aufgaben; siehe ROBO-004.
• Natürliche Sprache zu Programm: Ein LLM bildet „Stapele die grauen Kisten auf die Palette, 4 Lagen" auf Aufrufe geprüfter Fähigkeiten oder auf Code ab, mit Simulationsvorschau.
• Integrator- / OEM-Engineering: Offline-Programmierung und Codeerzeugung aus CAD für ganze Zellen (siehe ROBO-013 Schweißbahnen).
• Ausbildung und private Nutzung: Hobby-Arme und Lehrroboter (z. B. LeRobot SO-101) zum Lernen; keine regulatorische Last über die Produktsicherheit hinaus.

So funktioniert es

1. Demonstration (Führen von Hand / Teleoperation / Video) oder Text-/Sprachanweisung
2. Wahrnehmung der Arbeitszelle (CAD + Tiefenkamera + VLM-Szenenverständnis)
3. Aufgabenanalyse: LLM/VLM bildet die Absicht auf eine Bibliothek geprüfter Fähigkeiten + Parameter ab
4. Programmsynthese (Fähigkeitsgraph, Behavior Tree oder eingeschränkter Code)
5. statische Prüfungen (erlaubte API, Gelenk-/Geschwindigkeitsgrenzen) + Simulation (Kollision, Taktzeit, Erreichbarkeit)
6. menschliche Prüfung & Freigabe
7. Probelauf mit reduzierter Geschwindigkeit bei aktiven Sicherheitsfunktionen
8. Freigabe für die Produktion; Ausführungsprotokoll, Korrektur durch den Bediener
9. Aktualisierung der Fähigkeit

• Einschränken, nicht vertrauen: Das LLM sollte nur eine typisierte Fähigkeiten-API aufrufen (z. B. pick(object, grasp)), nicht freie Bewegungsbefehle ausgeben. Forschung zur Codeerzeugung (Code as Policies, ProgPrompt) und Grounding im Stil von SayCan zeigen dieses Muster; direkter Low-Level-Code ist brüchig [5].
• Von der Demonstration zur Strategie: Imitationslernen (ACT, Diffusion Policy) braucht zehn bis hundert teleoperierte Demonstrationen je Aufgabe und liefert gelernte Strategien, die schwerer zu verifizieren sind als deterministische Programme [6].
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Programmierer genehmigt jedes erzeugte Programm; Sicherheitsparameter (Grenzen für Geschwindigkeit und Abstand, Werkzeugmittelpunkt, Nutzlast, Sicherheitszonen) werden von qualifizierten Personen festgelegt und validiert, nie vom Modell.

Datenaufbereitung

Benötigt werden: Demonstrationen (kinästhetisches Teachen, Teleoperation oder Video) der Aufgabe, die Arbeitsanweisung oder Zeichnung, Teile- und Werkzeugdaten sowie Prozessparameter. Im Mittelstand steckt das Know-how in den Köpfen erfahrener Beschäftigter, in Arbeitsanweisungen auf Papier, PDF-Zeichnungen, SPS-Programmen und den vorhandenen Roboterprogrammen auf der Steuerung. Typische Lücken: undokumentierte Varianten und Toleranzen, uneinheitliche Arbeitsanweisungen, keine Aufzeichnung guter und schlechter Läufe, verstreute Roboter-Backups und unklare Zuständigkeit für das Expertenwissen.

Schritte: (1) eine stabile Aufgabe wählen und den Zielprozess mit dem Experten aufschreiben (PREP-016); (2) Anweisungen und Zeichnungen digitalisieren (PREP-006) und vorhandene Roboterprogramme sammeln; (3) 20 bis 100 saubere Demonstrationen aufzeichnen, beschriftet mit Teilevariante und Ergebnis (PREP-019, PREP-020); (4) einen kleinen Testsatz an Situationen für die Abnahme definieren (PREP-018); (5) ein Glossar der Teile- und Werkzeugnamen für Sprach-Prompts führen (PREP-015). Werkzeuge: Teach-Apps der Hersteller, Videoaufnahme, Tabellenkalkulationen, CVAT. Die Datenarbeit macht etwa 20 bis 30 Prozent des Aufwands aus und besteht überwiegend aus Expertenzeit; Zelleneinrichtung und Sicherheitsvalidierung kommen separat hinzu. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Cobot-Hersteller bieten Werkzeuge zum Vormachen und No-Code-Programmierung serienmäßig an, was zu kleinen Losgrößen ohne eigene Roboterexperten passt.
• Großunternehmen: Weg B. Viele Zellen und Produktvarianten sprechen dafür, Cloud- oder LLM-basierte Programmierdienste mit eigenen Fähigkeitsbibliotheken und MES-Daten zu integrieren.
• Entwickler: Weg C. Open-Source-Stacks für Imitationslernen und LLM-Planung (zum Beispiel LeRobot, ROS 2) auf Hardware der Stufen HW1/HW2 ermöglichen eigene Fähigkeiten und Datenkontrolle.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• Cobot-Hersteller mit No-Code- oder KI-Werkzeugen: Universal Robots (PolyScope X, AI Accelerator mit NVIDIA; DK), Franka Robotics (DE, Franka Desk und FR3 mit App-basierten Fähigkeiten), KUKA (DE; Ökosystem iiQKA), ABB (GoFa/SWIFTI, Wizard Easy Programming), FANUC (CRX mit Tablet-Programmierung), Doosan, Techman.
• Herstellerunabhängige Plattformen: Wandelbots (DE; Wandelbots NOVA, Vormachen mit einem Handgerät, jetzt mit Code-/KI-Schnittstellen), Intrinsic (Alphabet; Flowstate, fähigkeitsbasiert), Mech-Mind (kamerageführt, No-Code), Neura Robotics (DE; kognitiver Roboter MAiRA), Sereact (DE; sprach-/bildgesteuertes Greifen), Micropsi Industries (DE; gelernte Fähigkeiten).
• Wählen Sie A, wenn: die Aufgabe Standard ist (Pick-and-Place, Maschinenbeschickung, Palettieren, Schrauben) und ein Integrator oder Hersteller die Zelle bereits zertifiziert.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Nutzen Sie ein führendes LLM/VLM (Claude, Gemini, GPT, Mistral; möglichst EU-Regionen oder EU-Anbieter) für Aufgabenanalyse und Programmentwurf gegen Ihre eigene typisierte Fähigkeiten-API, mit strukturierten Ausgaben/Tool-Aufrufen.
• Herstellerschnittstellen: ROS 2 mit MoveIt 2 (offen), UR RTDE/URScript, Wandelbots-NOVA-API, Intrinsic-Flowstate-SDK, Isaac Sim zur Validierung.
• Die Cloud ist für die Planung (nicht in Echtzeit) akzeptabel. Legen Sie nie einen Cloud-Aufruf in die Echtzeit- oder Sicherheitsschleife.

Weg C — Selbst betreiben (Open Source)

• Stack: ROS 2, MoveIt 2, BehaviorTree.CPP/py_trees, Gazebo oder NVIDIA Isaac Sim, Hugging Face LeRobot (ACT, Diffusion Policy, SmolVLA, offene Gewichte von pi0) für das Lernen aus Demonstrationen [6][7].
• Modelle: Coding-LLM mit offenen Gewichten (Klasse Qwen-Coder, Mistral/Devstral) und ein VLM (Qwen-VL), betrieben über vLLM/Ollama.
• Hardware: HW2 für LLM- und VLM-Planung sowie das Training kleiner Strategien; Echtzeitsteuerung auf einem Industrie-PC; HW3 für das Feintuning größerer VLA-Modelle.

Weg D — Eigenes Training

Lohnt sich bei hohen Stückzahlen sowie kontaktreichen oder variablen Aufgaben, bei denen skriptbasierte Fähigkeiten scheitern (Kabeleinführung, verformbare Objekte). Erforderlich sind 50-500+ teleoperierte Demonstrationen je Aufgabenvariante, eine kalibrierte Zelle und ein Evaluationsprotokoll mit Erfolgsquoten über viele Versuche. Planen Sie erhebliche ML- und Robotik-Expertise ein.

Stand der Technik (2026)

• Fähigkeitsbasierte Programmierung plus LLM-Frontends ist das praxistaugliche Muster in der Produktion; Hersteller ergänzen Assistenten in natürlicher Sprache, die Fähigkeitsgraphen oder Skripte zur menschlichen Prüfung erzeugen.
• Imitationslernen (ACT, Diffusion Policy) ist für Einzelaufgaben robust; VLA-Modelle (RT-2, OpenVLA, pi0, Gemini Robotics, NVIDIA GR00T) versprechen Generalisierung, bleiben für den industriellen Einsatz aber auf dem Reifegrad zwischen Forschung und Pilot [6][7].
• Fehlerbilder: halluzinierte Objekte oder Fähigkeiten, falsches räumliches Schließen (links/rechts, Einheiten), unsichere Bahnen, Empfindlichkeit gegenüber Licht- oder Vorrichtungsänderungen und Strategien, die außerhalb der Trainingsverteilung unbemerkt versagen. Lücken zwischen Simulation und Realität bleiben bestehen (siehe ROBO-010).
• Ungelöst: die Zertifizierung gelernten Verhaltens für Sicherheitsfunktionen. Sicherheit bleibt deterministisch und getrennt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: ROBO-001 (kamerageführtes Greifen), ROBO-013 (Schweißbahn-Erzeugung), ROBO-014 (Palettieren), ROBO-017 (Demontage) nutzen alle die Fähigkeitsbibliothek, die Kamerakalibrierung und den Simulationszwilling.
• Sicherheitsebene: ROBO-016 liefert KI-Personenerkennung und Geschwindigkeits- und Abstandsüberwachung.
• Simulation: ROBO-010 digitale Zwillinge; ROBO-004 für VLA-/Humanoiden-Strategien; DOC-013 liest Zeichnungen, die Aufgabenparameter speisen; AGENT-003 teilt das Muster „LLM bedient ein Werkzeug über eine typisierte API".

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen je Anwendung; Cobot-Zelle plus Softwarelizenzen, oft günstiger als ein Integratorprojekt.
• Weg B/C: 2-4 Monate für eine validierte Fähigkeiten-API, Simulations-Pipeline und einen Freigabe-Workflow; laufende Pflege der Fähigkeiten.
• Weg D: Quartale; Erhebung der Demonstrationen und Evaluation dominieren die Kosten.
• Kennzahlen: Zeit von der Aufgabendefinition bis zur Produktionsfreigabe, Umrüstzeit, Anteil der von Nicht-Spezialisten erstellten Programme, Erfolgsquote von der Simulation zur Realität im ersten Durchlauf, Taktzeit im Vergleich zum Expertenprogramm, Stopps/Eingriffe je Schicht.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für den Business Case ein, die Abteilungsleitung und die Fachkräfte, die dem Roboter etwas beibringen (sie sind die wichtigste Datenquelle), IT und IT-Sicherheit für den Zugriff auf die Steuerung und später die Programmierer oder das Instandhaltungspersonal, die die Fähigkeiten betreuen (GUIDE-001). Betriebsrat: abhängig vom Einzelfall. Aufgezeichnete Demonstrationen erfassen die Bewegungen einer Mitarbeiterin oder eines Mitarbeiters, und Protokolle darüber, wer was programmiert oder korrigiert hat, können geeignet sein, Verhalten zu überwachen; das löst §87 Abs. 1 Nr. 6 BetrVG auch ohne Überwachungsabsicht aus; §90 Abs. 1 Nr. 3 verlangt die rechtzeitige Unterrichtung über KI-geplante Arbeitsprozesse. Vereinbaren Sie schriftlich, dass Demonstrationsaufnahmen nur der Erstellung von Fähigkeiten dienen, danach gelöscht oder anonymisiert werden und nicht für Leistungsbeurteilungen verwendet werden (GUIDE-004). Zeigt ein Video erkennbare Personen, binden Sie die oder den Datenschutzbeauftragten ein (GUIDE-005). KI-Kompetenz: Die KI-Verordnung (AI Act) verlangt von Arbeitgebern, die Kompetenz der Beschäftigten zu fördern; schulen Sie daher die Beschäftigten darin, Fähigkeiten beizubringen, zu testen und zu korrigieren und die Grenzen des Roboters zu erkennen (GUIDE-006). Typische Sorgen: durch das eigene aufgezeichnete Know-how ersetzt zu werden, und Verlust von Expertise. Antworten Sie darauf mit der klaren Aussage, dass das Ziel die Entlastung von eintönigen Aufgaben ist, mit Anerkennung und Qualifizierung für die Lehrenden, einer Pilotgruppe Freiwilliger mit KI-Botschaftern (GUIDE-008) und der menschlichen Freigabe jeder neuen Fähigkeit vor dem Produktionseinsatz.

Risiken, Regulierung & Compliance

• Maschinensicherheit: Die neue Maschinenverordnung (EU) 2023/1230 gilt ab dem 20. Januar 2027 und behandelt ausdrücklich Maschinen mit sich selbst weiterentwickelndem Verhalten/KI-basierten Sicherheitsfunktionen; ISO 10218-1/-2 (2025) und ISO/TS 15066 regeln die Sicherheit von Robotern und kollaborativem Betrieb. Jede Programmänderung, die Gefährdungen verändert, erfordert eine Risikobeurteilung und die Prüfung der CE-Konformität [2][3].
• KI-Verordnung (AI Act): Der Programmierassistent allein hat ein minimales Risiko. Ist KI ein Sicherheitsbauteil einer Maschine, die unter Anhang I (Maschinenverordnung) fällt, ist das Produkt hochriskant, mit Pflichten, die ursprünglich ab August 2027 galten (Art. 6 Abs. 1); das Digital Omnibus on AI (Verordnung (EU) 2026/1744) hat dies auf den 2. August 2028 verschoben. Die KI-Kompetenz nach Art. 4 gilt für die Beschäftigten [4].
• Hinweis zu Art. 5: für die Kernfunktion nicht einschlägig; kombinieren Sie sie nicht mit Emotionsableitung bei Beschäftigten oder verdeckter Leistungsüberwachung (am Arbeitsplatz verboten, Art. 5 Abs. 1 Buchst. f).
• DSGVO / Betriebsrat: Kameras in Zellen erfassen Beschäftigte; Demonstrationen können die lehrende Person aufzeichnen. Maskieren oder vermeiden Sie Personen, legen Sie Zweck und Aufbewahrung fest und beziehen Sie den Betriebsrat ein (BetrVG §87).
• Sicherheit: Prompt Injection oder manipulierter erzeugter Code; kapseln Sie die Fähigkeiten-API in einer Sandbox, signieren Sie freigegebene Programme und beschränken Sie den Netzwerkzugriff (IEC 62443, NIS2, Cyber Resilience Act).
• Gegenmaßnahmen: nur typisierte Fähigkeiten, Simulationsschleuse, erster Lauf mit reduzierter Geschwindigkeit, Freigabe im Vier-Augen-Prinzip, unveränderliches Audit-Protokoll.

Erste Schritte

1. Wählen Sie eine wiederkehrende, variantenarme Aufgabe mit klaren Erfolgskriterien und einer sicheren, eingezäunten oder Cobot-Zelle.
2. Probieren Sie das Teachen von Hand an einem Cobot aus Weg A aus und stoppen Sie die Zeit gegenüber der Integrator-Ausgangsbasis.
3. Definieren Sie 5-10 geprüfte Fähigkeiten als typisierte API und lassen Sie ein LLM sie ausschließlich in der Simulation zusammensetzen.
4. Schreiben Sie den Freigabe-Workflow: Simulationsbericht, Aktualisierung der Risikobeurteilung, Test mit reduzierter Geschwindigkeit, Abnahme.
5. Sammeln Sie Korrekturen und Fehler je Schicht, um die Fähigkeitsbibliothek zu erweitern, bevor Sie gelernte Strategien versuchen.

Quellen

1. IFR — World Robotics 2025 (installations) — https://ifr.org/worldrobotics/
2. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
3. ISO 10218-1:2025 Robots and robotic devices — Safety requirements for industrial robots — https://www.iso.org/standard/73933.html
4. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
5. Liang et al., Code as Policies — https://arxiv.org/abs/2209.07753
6. Hugging Face LeRobot — https://github.com/huggingface/lerobot
7. Physical Intelligence, pi0 / openpi — https://github.com/Physical-Intelligence/openpi
8. Wandelbots — https://www.wandelbots.com/
9. Universal Robots — PolyScope X — https://www.universal-robots.com/products/polyscope-x/
10. MoveIt 2 — https://moveit.ai/