Darstellende Assistenzsysteme in der manuellen Montage, wie z.B. Augmented Reality, sind in ihren bisherigen informationstechnischen Konzepten suboptimal gestaltet, um eine effiziente und ergonomisch sinnvolle Werkerführung zu gewährleisten. Der Einsatz in Szenarien mit ablaufbedingten Folgen von Anweisungen führt nicht zu der erwarteten Produktivitätssteigerung. Ein Grund hierfür liegt in der deterministischen Montageplanung und Generierung der Arbeitsanweisungen ohne Bezug zur tatsächlichen Produktionsumgebung. Die geringe situative Unterstützung des Werkers und die daraus resultierende starre Führung führen zu einer geringen Akzeptanz seitens der Werker.

Eine Lösung der oben genannten Diskrepanzen wird im Rahmen des Projektes in der Entwicklung und Umsetzung von adaptiven und kognitiven Konzepten der Werkerführung gesehen. Der Mensch ist in der Menge der Informationen die er gleichzeitig verarbeiten kann eingeschränkt. Daher sind kognitive Kontrollprozesse notwendig, um die Aufmerksamkeitszuwendung und Handlungsplanung zu koordinieren und dadurch einen adaptiven und fehlerfreien Arbeitsablauf zu ermöglichen. Die notwendigen Technologien zur Erfassung der Konditionierung des Menschen und seiner Umgebung sind in theoretischer Hinsicht weit fortgeschritten, es fehlen jedoch die entsprechenden Konzepte zur adaptiven Erzeugung von Montageanweisungen.

Die Basis des Prozessmodells bildet ein gerichteter Graph mit genau einer Quelle (Ausgangszustand des zu montierende Objektes) und genau einer Senke (Zielzustand des zu montierende Objektes). Die Kanten des Graphen stellen hierbei Instruktionen dar, welche in ihrer Ausgabe über die realen Kommunikationsmittel den Werker anweisen das zu fertigenden Produkt von einem Zustand (Knoten) in den nächsten zu überführen. Hat ein Zustand mehr als eine ausgehende Kante, so sind alternative Montagereihenfolgen oder alternative Teile zur Montage möglich. Die Generierung von Montageanweisungen geschieht durch Optimierungsverfahren hinsichtlich kürzester Pfade auf dem Graphen. Ist der aktuelle Zustand des zu fertigenden Produktes erkannt, so wird der kürzeste Pfad von diesem Zustand zu dem Zielzustand bestimmt. Die von dem aktuellen Zustand ausgehende Kante auf dem kürzesten Pfad entspricht der auszugebenden Montageanweisung. Im durch diese Anweisung erreichten Zustand wird erneut der kürzeste Pfad zu dem Zielzustand bestimmt. Aufgrund unvorhersehbarer Aktionen des Werkers und seiner aus Erfahrung ausgeführten Arbeit ist der Pfad nicht vorher deterministisch bestimmbar.

Die Kanten des Graphen werden in Abhängigkeit von Informationen aus der prozessrelevanten Umgebung des Werkers bewertet. Diese Bewertung spiegelt die Kosten zur Durchführung einer Montageanweisung wieder. Diese Kosten leiten sich zum einen aus dem resultierenden Aufwand ab, zum anderen kann hiermit z.B. die Verfügbarkeit von zu verbauenden Teilen modelliert werden. Ist ein Teil nicht verfügbar, so wird die entsprechende Kante mit Kosten in unendlicher Höhe bewertet. Daraus folgt, dass diese Kante nicht auf einem kürzesten Weg von dem aktuellen Zustand zu dem Zielstand liegen kann. Sind keine oder keine relevanten Information aus der Montageumgebung verfügbar, so erfolgt die Bewertung zum einen über anfangs festgelegte Kosten, z.B. auf Basis vorbestimmter Zeiten, zum anderen über Erfahrungswerte und Beobachtungen vorheriger Montagevorgänge des aktuellen Werkers.

Entsprechend der Erkennertechnologien und deren Auswertung werden Informationen über den mentalen und physischen Zustand des Werkers mit in die Generierung der Montageanweisungen eingebunden (Abbildung 1). Die Montage geschieht entlang des kürzesten Pfades, bei dem eine maximale Schrittweite d_max nicht überschritten wird. Der Wert d_max legt somit den Detaillierungsgrad der Anweisung fest.

• Stork, S.; Stobel, C.; Müller, H.; Wiesbeck, M.; Schubö, A.: A Neuroergonomic Approach for the Investigation of Cognitive Processes in Interactive Assembly Environments. In: 16th IEEE International Symposium on Robot and Human Interactive Communication 2007 (IEEE RO-MAN 2007). Jeju Island, Korea, 26.-29. August 2007. 2007.

• Vesper, C.; Stork, S.; Wiesbeck, M.; Schubö, A.: Intra- and Interpersonal Coordination of Goal-oriented Movements in a Working Scenario. In: 1st International Conference on Cognitive Neurodynamics (ICCN'07). Shanghai, China, 17.-21. November, 2007. 2007. (in print)

• Wallhoff, F.; Ablaßmeier, M.; Bannat, A.; Buchta, S.; Rauschert, A.; Rigoll, G.; Wiesbeck, M.: Adaptive Human-Machine Interfaces in Cognitive Production Environments. In: IEEE International Conference on Multimedia & Expo (ICME '07). Beijing, China, 2.-5. Juli 2007. 2007, S. 2246-2249.

• Wiesbeck, M.; Vogl, W.: Der Exzellenzcluster "Cognition in Technical Systems" (CoTeSys) der Deutschen Forschungsgemeinschaft. iwb Newsletter 4 2007 (2006) 11/2007, S. 8.

• Zäh, M. F.; Wiesbeck, M.; Lau, C.; Ostgathe, M.; Vogl, W.: Towards the Cognitive Factory. In: 2nd International Conference on Changeable, Agile, Reconfigurable and Virtual Production. Toronto, Canada, 22.-24. Juli 2007. 2007. ISBN: ISBN 978-0-9783187-0-3.

• Zäh, M. F.; Wiesbeck, M.; Wallhoff, F.; Stork, S.; Engstler, F.; Bannat, A.; Schubö, A.; Friesdorf, F.: Kognitive Assistenzsysteme in der manuellen Montage. wt Werkstattstechnik online 97 (2007) 9.
  

• Zäh, M. F.; Wiesbeck, M.; Ostgathe, M.: The Cognitive Factory: A research platform for cognitive automation systems. In: Pfalzgraf, J. (Hrsg.): 2nd International Symposium on Multiagent Systems (MAS), Robotics and Cybernetics: Theory and Practice. Baden Baden, Germany, 1.-2. August 2007. 2007.
  

• Homepage des Clusters http://www.cotesys.org