Optische Distanzsensoren: Leuze halbiert Messunsicherheit durch Einsatz von KI

Trainiert auf Präzision

Donnerstag, 04. Dezember 2025

| Redaktion

Teilen auf:

Mit künstlicher Intelligenz lässen sich optische Distanzsensoren hinsichtlich Präzision auf ein neues Niveau heben. Beispielsweise beim Einsatz in der Intralogistik, Bild: Leuze

Leuze setzt künstliche Intelligenz zur signifikanten Verbesserung der Messgenauigkeit optischer Distanzsensoren ein für anspruchsvolle industrielle Anwendungen. Diese Innovation führt zu einer Halbierung der Messunsicherheit, ohne dass im laufenden Betrieb zusätzliche Rechenressourcen benötigt werden. Die Lösung basiert auf einem neuronalen Netz. Optische Distanzsensoren mit Time-of-Flight-Technologie (TOF) bieten Anlagenbetreibern Vorteile. Sie ermöglichen es, große Distanzen schnell und berührungslos zu messen. Zudem sind die Sensoren unempfindlich gegenüber Umgebungslicht und liefern die Distanzdaten kontinuierlich in Echtzeit.

Das Funktionsprinzip: Die Sensoren erfassen zur Distanzmessung die Laufzeit von ausgesendetem Licht bis zum Objekt und zurück. In der Regel werden hierfür Laser- oder LED-Impulse verwendet. Allerdings bringt TOF auch Schwächen hinsichtlich der Messgenauigkeit mit sich: Wie präzise die Ergebnisse sind, hängt stark von der Beschaffenheit der Objektoberfläche ab. So können dunkle Oberflächen das reflektierte Signal abschwächen. Sie erzeugen schmalere Impulse und das Echo wird später detektiert. Helle Oberflächen erzeugen dagegen stärkere Signale mit größerer Pulsbreite und früherer Detektion. Das heißt: Je nach heller oder dunkler Oberfläche des Objekts wird das zurückkommende Signal zu unterschiedlichen Zeiten detektiert. Dadurch kann es zu Messfehlern kommen, die ausgeglichen werden müssen.

Polynomfunktion nur begrenzt automatisch anpassbar

Um diese Fehler zu korrigieren, werden bislang mathematische Modelle auf Basis definierter Algorithmen eingesetzt. Für viele verschiedene Oberflächen und Entfernungen wird so ein Korrekturwert berechnet, der später automatisch angewendet wird. Diese Berechnung basiert auf einer sogenannten Polynomfunktion. Bei stabilen, kontinuierlichen Fehlerverläufen bieten Polynomfunktionen eine effiziente Lösung. Ein Nachteil liegt jedoch in der begrenzten Abbildungsgenauigkeit bei komplexen Einflüssen, etwa bei stark variierenden Oberflächenreflexionen. Weil die Modellparameter fest vorgegeben sind, können sich die Funktionen nicht automatisch an veränderte Umgebungsbedingungen anpassen.

Neuronales Netz als Basis für optische Distanzsensoren

Der Hersteller setzt auf eine deutlich präzisere und flexibler einsetzbare Lösung. Statt mit starren Formeln zu arbeiten, nutzt Leuze ein neuronales Netz, um den Korrekturwert zu ermitteln. Ein neuronales Netz ist eine Form der künstlichen Intelligenz, die dem menschlichen Gehirn nachempfunden ist. Es besteht aus Knoten (Neuronen) in drei Arten von Schichten: der Eingabeschicht (Input Layer), verborgenen Schichten (Hidden Layers) und der Ausgabeschicht (Output Layer). Das neuronale Netz verarbeitet Informationen, indem es Eingangsdaten schrittweise durch diese Schichten leitet. Die Neuronen gewichten ihre Ergebnisse, fassen sie zusammen und wandeln sie über Funktionen so um, dass am Ende ein präzises Ergebnis entsteht. Eine sogenannte Aktivierungsfunktion entscheidet, wie stark ein Neuron „aktiv“ wird, also welchen Wert es an die nächste Schicht weitergibt. Diese Aktivierungsfunktion ermöglicht es, dass das Netz auch komplexe, nichtlineare Zusammenhänge lernen kann und sich nicht nur auf einfache Rechenmuster beschränkt.

Praxisnahe Kalibrierung und Einsatzgebiete für optische Distanzsensoren

Die von Leuze entwickelte KI-Lösung lernt anhand von Beispieldaten, wie sich Helligkeit und Oberflächenbeschaffenheit auf die Messung des optischen Distanzsensors auswirken. Dadurch lassen sich die Messwerte viel besser korrigieren. Das neuronale Netz wird mit Daten bestehend aus Rohdistanzwerten und Pulsbreiten als Eingangsparametern sowie den dazugehörigen normierten Korrekturwerten am Ausgang trainiert. Die Trainingsdaten lassen sich aus dem Produktionsprozess generieren, in dem viele Messwerte gesammelt werden: bei hellen, dunklen und unterschiedlich strukturierten Oberflächen sowie bei verschiedenen Abständen. Diese Messwerte werden an die Steuerung der Produktionseinrichtung kommuniziert. Daraus berechnet das neuronale Netz der Produktionseinrichtung die Korrekturwerte für den Sensor. Im laufenden Einsatz braucht der Sensor dann keine zusätzliche Rechenleistung, die KI hat alles bereits „gelernt“.

Fünf Schritte für präzise Werte

Das neuronale Netz von Leuze besteht aus fünf Schichten. In jeder Schicht sind alle Neuronen vollständig miteinander verbunden. Dadurch fließt jede Information in die Berechnung ein. Verwendet wird eine sogenannte „Rectified Linear Unit“ (ReLU)-Aktivierungsfunktion. Diese sorgt dafür, dass das Netz negative Zahlen auf null setzt und nur positive Werte weiterverarbeitet, vergleichbar zu einem Filter, der nur positive Signale durchlässt und dadurch den Lernprozess zuverlässig macht. Dadurch arbeitet das Netz schneller. Zum anderen vermeidet es Rechenprobleme, die bei anderen Verfahren auftreten können. Die letzte Schicht des Netzes, die Ausgangsschicht, legt den finalen Korrekturwert fest. Hier wird als Aktivierungsfunktion „tanh“ (Tangens Hyperbolicus) eingesetzt. Diese stellt sicher, dass der berechnete Korrekturwert immer in einem festgelegten Bereich zwischen minus 1 und plus 1 liegt. Das System rechnet diesen Wert anschließend so um, dass er direkt angibt, wie stark der Sensor den gemessenen Abstand korrigieren muss, um präzise Ergebnisse zu liefern.

Optische Distanzsensoren im Einsatz

Time-of-Flight-Distanzsensoren mit KI-basierter Korrektur bieten sich in der industriellen Automatisierung vor allem dort an, wo es besonders auf präzise Messergebnisse ankommt.

Typische Anwendungen sind:

Navigation und Kollisionsvermeidung: an Robotern und mobilen Plattformen
Fördertechnik: Kontrolle von Positionen und Abständen auf Förderbändern
Qualitätssicherung: Überprüfung von Abständen an Werkstücken mit schwierigen Oberflächen
Fahrerlose Transportsysteme (FTS): präzise Abstandskontrolle beim Ein- und Ausparken
Sicherheitsanwendungen: Erkennung von Annäherungen an Maschinen und Anlagen

Fazit: Mehr Präzision durch KI für optische Distanzsensoren

Mit Künstlicher Intelligenz hebt Leuze die Präzision optischer Distanzsensoren auf ein neues Niveau. Tests haben gezeigt: Die Methode reduziert mit ihrer KI-basierten Kalibrierung die systematischen Messfehler, also die Abhängigkeit der Messergebnisse von Oberfläche und Abstand, um mehr als die Hälfte. Kunden profitieren von einer robusteren und genaueren Messung, auch bei schwierigen Oberflächen und ganz ohne Aufwand im Betrieb. Das macht diese Lösung ideal für anspruchsvolle industrielle Anwendungen.

Vorteile auf einen Blick: