Robot z KIT rozbiera zepsute maszyny i ratuje cenne części

Zespół z Karlsruhe Institute of Technology (KIT) pokazał na konferencji ICRA 2026 w Wiedniu robota, który rozbiera zepsute maszyny tak, by nie uszkodzić cennych części. System sam planuje kolejność demontażu, przewiduje, co jest zepsute, i weryfikuje każdy ruch. Celem jest tańsza naprawa i odzysk podzespołów zamiast produkcji od zera.

Najważniejsze w skrócie

System zaprezentowano na IEEE ICRA 2026 w Wiedniu; autorem projektu jest Jan Baumgärtner z KIT
Robot odkręca, manipuluje i frezuje uszkodzone urządzenia, chroniąc części wskazane przez użytkownika
Planowanie demontażu ujęto jako POMDP — proces decyzyjny z niepełną informacją o stanie produktu
Testy na trzech produktach i dwóch systemach robotycznych: krótszy i stabilniejszy czas demontażu niż metody deterministyczne
Na świecie działa ponad 4 mln robotów przemysłowych; do 2030 roku liczba ma przekroczyć 16 mln

Jak działa demontaż z niepewnością

Punktem wyjścia jest model CAD produktu. Z niego i z wyników inspekcji system automatycznie buduje model POMDP — rozszerzenie procesu decyzyjnego Markowa, które wprost opisuje niepewność. Prawdziwe, wyeksploatowane urządzenia rzadko odpowiadają swojej dokumentacji: śruby bywają zatarte, elementy skorodowane albo brakujące.

\dots ▶ Znaczenie symboli \dots zbiór możliwych stanów produktu \dots dostępne akcje: odkręć, frezuj, manipuluj \dots prawdopodobieństwo przejścia między stanami \dots nagroda — koszt i efekt ruchu \dots zbiór obserwacji z inspekcji \dots model obserwacji — co robot widzi w danym stanie \dots współczynnik dyskontowania przyszłych nagród

Robot testuje stopnie swobodystopnie swobody: Liczba niezależnych kierunków, w których element może się poruszać. części, żeby wykryć problem — korozję, poluzowaną śrubę, odkształcenie. Do wyboru kolejnych ruchów używa uczenia ze wzmocnieniem ze stochastycznymi skutkami akcji, a stan produktu śledzi filtrem bayesowskimfiltr bayesowski: Metoda ciągłego aktualizowania oszacowania stanu na podstawie nowych obserwacji i prawdopodobieństw.. Po każdym kroku sprawdza wynik i zmienia metodę, jeśli rzeczywistość odbiega od przewidywań. Użytkownik może wskazać, które podzespoły są najważniejsze i mają pozostać nienaruszone.

Pętla decyzyjna robota przebiega przez pięć etapów:

CADmodel wyjściowy produktu

POMDPplanowanie z niepewnością

test DOFwykrycie usterki

RL + filtr Bayesawybór ruchu, aktualizacja stanu

weryfikacjakorekta metody po każdym kroku

Potrafimy sobie wyobrazić 100 sposobów, na które coś może pójść nie tak.

Jan Baumgärtner, autor projektu, Karlsruhe Institute of Technology

Probabilistyka kontra sztywny plan

Autorzy porównali swoje podejście z metodami deterministycznymi, które zakładają, że produkt wygląda dokładnie jak w dokumentacji. W testach na trzech produktach i dwóch systemach robotycznych model probabilistyczny dawał krótszy średni czas demontażu i mniejszą jego zmienność. Radził sobie też z odchyleniami, których sztywny plan nie przewiduje — brakującymi lub zablokowanymi elementami.

16 mlnprognozowana liczba robotów przemysłowych na świecie do 2030 (dziś ponad 4 mln)IEEE Spectrum

Dlaczego to ważne?

Recykling elektroniki i maszyn wciąż w dużej mierze opiera się na ludzkiej pracy, bo każde zepsute urządzenie jest inne. Ujęcie demontażu jako problemu z niepewnością pozwala robotowi działać mimo tego, że nie wie z góry, co zastanie. To krok w stronę opłacalnego odzysku części, a nie tylko rozdrabniania złomu. Jeśli koszt naprawy spadnie poniżej ceny nowego sprzętu, zmieni się rachunek ekonomiczny gospodarki obiegu zamkniętego. Rosnący park kilkunastu milionów robotów przemysłowych sam stanie się dużym strumieniem sprzętu do rozłożenia.

Co dalej?

Autorzy chcą skalować system do wielu wyspecjalizowanych ramion — Baumgärtner opisuje to jako „gigantycznego robota ze 100 ramionami”
Pełny opis metody jest w preprincie na arXiv (From CAD to POMDP), zgłoszonym 28 listopada 2025
Docelowo naprawa ma być tańsza niż produkcja nowego urządzenia — to warunek realnej gospodarki obiegu zamkniętego