Palletiseren: waarom het stapelen van dozen een robotprobleem is
Palletiseren is het stapelen van dozen, zakken of kratten op een pallet — het houten of kunststof plateau dat met een heftruck of pompwagen verplaatst kan worden. Denk aan een supermarktmagazijn waar duizenden pakken koffie in nette, stabiele lagen op een pallet moeten komen voordat de vrachtwagen ze naar de winkel brengt. Decennialang deden mensen dit handmatig: een fysiek zwaar en eentonig karwei, vaak duizenden keren per dienst herhaald.
Sinds enkele decennia nemen robots dit werk steeds vaker over, eerst in de zware industrie en tegenwoordig ook bij kleinere bedrijven. Een palletiseerrobot is in de kern een robotarm met een grijper die dozen oppakt en in een vooraf berekend patroon op de pallet legt, zodat de stapel niet omvalt en zo min mogelijk lege ruimte overblijft. Klinkt simpel, maar zodra de dozen van vorm, gewicht of grootte verschillen, wordt het een verrassend lastig technisch probleem — en daar zit precies de huidige ontwikkeling.
Wat is het precies?
Een palletiseersysteem bestaat meestal uit een paar vaste onderdelen. Eerst is er de robotarm zelf, vaak een industriële robot met vier tot zes bewegingsassen (scharnierpunten), gemaakt door fabrikanten als ABB, KUKA of FANUC. Aan het uiteinde zit een grijper: meestal een reeks vacuümzuignappen die een doos vastzuigen, soms een mechanische klem voor kratten of zakken.
Voordat de robot iets kan pakken, moet hij weten wát er aankomt en wáár het moet liggen. Daarvoor gebruikt het systeem een camerasysteem (machine vision) dat de vorm, grootte en positie van elk product herkent. Software berekent vervolgens het stapelpatroon: een wiskundig optimalisatieprobleem dat lijkt op een driedimensionale puzzel, waarbij zwaardere dozen onderaan komen en de stapel zo compact en stabiel mogelijk wordt.
Bij eenvoudige toepassingen — steeds dezelfde doos, in hetzelfde formaat — is dit patroon vooraf te programmeren en verandert er weinig. Dat heet single-SKU palletiseren (SKU staat voor stock keeping unit, oftewel één specifiek product). Lastiger wordt het bij mixed-case palletiseren, waarbij verschillende producten door elkaar op één pallet moeten, bijvoorbeeld voor een compleet klantorder. Daar moet de software live beslissen hoe alles het beste past, en moet de grijper zich aanpassen aan steeds wisselende vormen.
Wat wil men ermee bereiken?
De belangrijkste drijfveer is fysieke belasting. Continu tillen en draaien veroorzaakt rug- en schouderklachten (RSI, oftewel repetitive strain injury: overbelasting door herhaalde bewegingen), een bekende oorzaak van verzuim in de logistiek. Automatisering moet dat werk overnemen of verlichten.
Daarnaast speelt personeelstekort een grote rol. Distributiecentra hebben al jaren moeite om voldoende mensen te vinden voor fysiek zwaar, ongeregeld werk, zeker voor nachtdiensten. Een robot werkt 24 uur per dag door, zonder pauzes en met een constante snelheid.
Een derde doel is ruimte- en transportefficiëntie. Een computer kan preciezer berekenen hoe dozen het beste passen dan een mens onder tijdsdruk, waardoor er minder lucht wordt vervoerd en er meer producten in dezelfde vrachtwagen of container passen. Dat scheelt transportbewegingen en dus brandstof en kosten.
Voorbeelden uit de praktijk
ABB en Yaskawa Motoman leveren al decennia specifieke palletiseerrobots aan de voedings- en drankenindustrie, bijvoorbeeld voor het stapelen van kratten frisdrank of zakken meel op hoge snelheid — bij eenvoudige, herhalende producten kunnen deze machines tientallen tot enkele honderden handelingen per minuut aan.
KUKA, de Duitse robotfabrikant, is sinds de overname door het Chinese Midea in 2016-2017 onder meer leverancier van robots die in Midea's eigen witgoedfabrieken worden ingezet, inclusief palletiseertaken aan het einde van productielijnen.
Universal Robots, opgericht in Denemarken en sinds 2015 onderdeel van het Amerikaanse Teradyne, maakte zogeheten cobots populair: collaboratieve robotarmen die — anders dan klassieke industriële robots — zonder beschermkooi naast mensen kunnen werken. Dat maakte palletiseren betaalbaar en praktisch voor kleinere bedrijven die niet direct een volledige productielijn willen ombouwen.
Boston Dynamics, bekend van de viervoetige robot Spot, presenteerde in 2021 Stretch: een mobiele robot op wielen met een arm en een raster van vacuümzuignappen, specifiek ontworpen om dozen uit vrachtwagentrailers te laden en lossen — een taak die zich moeilijk leent voor een vaste robotarm omdat de robot zelf moet meebewegen de trailer in.
Voor het lastigere mixed-case werk ontwikkelen jongere bedrijven zoals het Amerikaanse Dexterity AI-gestuurde grijpsystemen die via camerabeelden en zelflerende algoritmes leren omgaan met onbekende doosvormen, iets waar traditionele, vooraf geprogrammeerde robots minder goed in zijn.
Hoe ver is de techniek?
Voor identieke, voorspelbare producten is palletiseren met robots al volwassen technologie: dit soort systemen draait wereldwijd al tientallen jaren betrouwbaar in fabrieken en distributiecentra. Dat is niet meer het onderzoeksprobleem.
De uitdaging zit in variatie. Zodra dozen van formaat wisselen, zacht vervormbaar zijn (zoals zakken), beschadigd raken, of willekeurig worden aangeleverd, wordt het voor een robot lastiger om betrouwbaar te pakken en stabiel te stapelen. Depalletiseren — het omgekeerde proces, het lossen van een pallet met een onbekende mix aan producten — geldt in de sector doorgaans als nog moeilijker dan palletiseren, juist omdat de input veel minder voorspelbaar is.
Computer vision en machine learning (systemen die patronen leren herkennen uit voorbeelden in plaats van vaste regels) verbeteren dit gestaag, maar op de best presterende, ervaren menselijke pallletiseerder qua snelheid en flexibiliteit bij sterk wisselende producten wordt door robots doorgaans nog niet consistent verslagen. Voor veel bedrijven blijft daarom een hybride aanpak gangbaar: robots voor het repetitieve, voorspelbare werk, mensen voor de uitzonderingen.
Een ander obstakel is de terugverdientijd. Een volledig geautomatiseerd palletiseersysteem is een aanzienlijke investering, wat vooral voor kleinere bedrijven met wisselende productmixen de businesscase lastig kan maken.
Wie werken eraan?
De traditionele industriële hoek wordt gedomineerd door een klein aantal grote robotfabrikanten: het Zwitsers-Zweedse ABB, het Duitse KUKA (eigendom van het Chinese Midea), het Japanse FANUC en het eveneens Japanse Yaskawa Motoman. Dit zijn de bedrijven die al decennia de robotarmen leveren die in fabrieken en distributiecentra staan.
Op het gebied van collaboratieve robots is Universal Robots (Denemarken, onderdeel van het Amerikaanse Teradyne) een van de grootste spelers. Voor mobiele, op AI gebaseerde oplossingen is het Amerikaanse Boston Dynamics (sinds 2021 grotendeels in handen van het Zuid-Koreaanse Hyundai Motor Group) een bekende naam, naast gespecialiseerde AI-startups zoals Dexterity.
In Nederland is Vanderlande, gevestigd in Veghel en sinds 2017 onderdeel van het Japanse Toyota Industries Corporation, een belangrijke naam in logistieke automatisering voor onder meer distributiecentra en luchthavens, al ligt hun bekendste specialisme eerder bij transport- en sorteersystemen dan bij palletiseren zelf. Op onderzoeksgebied doet het Duitse Fraunhofer IML (Institut für Materialfluss und Logistik) in Dortmund veel toegepast onderzoek naar robotica en automatisering in de logistiek, met regelmatig Europese samenwerkingsverbanden.