Mehrere Monate Planungszeit, hohe Kosten, nur wenige vergleichbare Varianten – die Konzeptplanung moderner Lagersysteme stößt an ihre Grenzen. Während Expertenwissen in Handskizzen und fragmentierten Dokumenten schlummert, wächst der Druck: volatile Lieferketten, kürzere Lieferzeiten, immer komplexere Automatisierungstechnologien. Der WarehouseDesigner automatisiert den ersten kritischen Schritt dieses Prozesses: Er erfasst Blocklayout-Skizzen per KI-gestützter Computer Vision und generiert daraus in Sekunden optimierte, regelkonforme Lagerlayouts – ein entscheidender Schritt hin zu einer effizienteren Lagerplanung.
Die Herausforderung: Warum Lagerplanung heute an Grenzen stößt
Die Lagerplanung moderner Lagersysteme folgt einem mehrstufigen Prozess: Nach der Analyse planungsrelevanter Daten und Prozesse folgt die Konzeptplanung, in der aus einem großen Lösungsraum möglicher Technik- und Layoutvarianten jene ausgewählt werden, die Anforderungen und Zielfunktionen wie Kosten oder Flächenbedarf am besten erfüllen. Anschließend erfolgen Feinplanung, Ausschreibung, Realisierung und Betrieb.
Der Gesamtprozess dauert je nach Komplexität mehrere Monate bis Jahre und bindet erhebliche personelle wie finanzielle Ressourcen. Eines der Kernprobleme liegt in der Konzeptphase: Es handelt sich um ein schlecht strukturiertes Entscheidungsproblem, also ein komplexes Problem ohne klar definierte Lösungen, bei dem der Lösungsprozess stark von dem Expertenwissen einzelner Fachleute abhängt.
In der Folge werden häufig nur wenige Varianten aus dem gesamten Lösungsraum betrachtet – meist jene, die auf den Erfahrungen der beteiligten Personen beruhen. Hinzu kommt die fragmentierte Datenlage: Relevante Informationen sind auf Tabellen, Präsentationen, Layoutpläne, Dokumente und E-Mails verteilt. Diese Medienbrüche erhöhen den Planungsaufwand und verhindern, dass Wissen aus früheren Projekten systematisch genutzt werden kann.
Gleichzeitig steigt der externe Druck: Globale Lieferketten werden volatiler, Kund*innen erwarten kürzere Lieferzeiten, und die Vielfalt moderner Automatisierungstechnologien macht die digitale Lagerplanung zugleich anspruchsvoller. Konventionelle Methoden stoßen an ihre Grenzen – sie sind aufwendig, teuer und können nur eine begrenzte Zahl an Alternativen vergleichen.
Projektvision: Vom Papier zur digitalen Planung
Das Projekt WarehouseDesigner adressiert diese Herausforderungen und geht einen ersten Schritt zur Automatisierung der Konzeptphase der Lagerplanung. In dieser Phase entstehen Lagerlayouts häufig zunächst auf Papier oder als einfache digitale Skizzen, sogenannte Blocklayouts. Der WarehouseDesigner erfasst diese Skizzen mit KI-basierter Computer Vision und überführt sie automatisiert in eine strukturierte digitale Form.
Abbildung 1 zeigt die Funktionsweise auf einen Blick:
1. Zeichnen oder Hochladen: Blocklayouts werden grob manuell aufgezeichnet – entweder direkt im Canvas oder als fotografierte Skizzen hochgeladen. Dabei werden Funktionsbereiche (z. B. Wareneingang, Palettenlager) benannt und optional mit Kapazitäten sowie den Abmessungen des Lagergebäudes versehen.
2. Automatische Erkennung: Die Vision-Pipeline extrahiert alle relevanten Informationen aus der Skizze und bringt sie in eine strukturierte Datenform. Planer können das Ergebnis prüfen und bei Bedarf korrigieren.
3. Layout-Generierung: Ein genetischer Algorithmus platziert die Funktionsbereiche regelkonform innerhalb der Lagermaße, dimensioniert sie anhand der Vorgaben und füllt sie mit geeigneten Technologien. Das System generiert optimierte Varianten, die Zielfunktionen wie Flächeneffizienz oder in Zukunft auch kurze Wegebeziehungen berücksichtigen.
4. Visualisierung und Export: Die generierten Layouts werden zweidimensional dargestellt und sind als CAD-Dateien exportierbar. Künftig folgt auch eine dreidimensionale Visualisierung. Planer können die Layouts als Basis für die Feinplanung verwenden oder weiter anpassen.
Neben der Beschleunigung der Variantenerstellung und -layoutierung in der Konzeptplanungsphase schafft der WarehouseDesigner so eine strukturierte Datenbasis, die künftig für Recommender-Systeme genutzt werden kann. In der Weiterentwicklung wird unter anderem die Unterstützung von Planungen in bestehenden Lagern verfolgt sowie die Integration von Materialflussanalysen in die Platzierung der Funktionsbereiche – ein wichtiger Beitrag für die Automatisierung der Lagerplanung und die Nutzung existierenden Expertenwissens.
Technischer Kern: Die Vision-Pipeline
Die KI-basierte Vision-Pipeline erkennt automatisch Funktionsbereiche und Text in Skizzen und strukturiert diese Informationen für die weitere Verarbeitung. Damit legt sie den Grundstein für eine präzise, datenbasierte Lagerplanung.
Was wird extrahiert?
Die Pipeline erfasst drei zentrale Informationstypen:
- Funktionsbereiche mit rechteckiger Abgrenzung
- Typ und Meta-Informationen innerhalb der Bereiche (z.B. Wareneingang, Palettenlager; Kapazität oder Zielgröße)
- Gesamtausdehnung des Lagers anhand der Außenkanten sowie dessen Maße
Diese Meta-Informationen sind entscheidend für die anschließende automatische Dimensionierung der Flächen. Aktuell kann entweder eine Kapazität oder eine gewünschte Zielfläche angegeben werden. Die Option der Zielfläche ist hilfreich, da Skizzen nicht maßstabsgetreu sein müssen. Fehlen numerische Angaben, berechnet das System des WarehouseDesigners die relative Größe im Verhältnis zur Gesamtfläche und den angegebenen Maßen des Gesamtlagers.
Technische Umsetzung
Aufgrund der Komplexität bei der Layout-Generierung in der Lagerplanung arbeitet die Pipeline aktuell mit rechteckbasierten Funktionsbereichen. Das ermöglicht den effizienten Einsatz eines Object-Detection-Modells zur Erkennung der Bereiche und schafft die Grundlage, Layouts automatisiert zu analysieren und zu optimieren.
Abbildung 2 veranschaulicht diesen mehrstufigen Prozess vom Bild bis zur strukturierten Datenstruktur
1. Parallele Erkennung: Ein Object-Detection-Modell identifiziert die Funktionsbereiche, während ein anderes Modell Textregionen mit handschriftlichem oder digitalem Text erkennt.
2. Handschrifterkennung: Die erkannten Textregionen werden einem Vision-Language-Model (VLM) übergeben, das die Handschrift transkribiert.
3. Zuordnung: Erkannte Texte (Titel und Meta-Informationen) werden anhand ihrer Position den entsprechenden Funktionsbereichen zugeordnet. Textregionen an Außenkanten bestimmen die Lagermaße.
4. Named Entity Recognition: Die einem Funktionsbereich zugeordneten Texte werden aggregiert und einem Sprachmodell übergeben. Dieses extrahiert per Named Entity Recognition die relevanten Informationen: Titel, Größe, Kapazität und deren Einheiten.
Das Ergebnis ist eine digitale Repräsentation aller Funktionsbereiche mit zugehörigen Informationen, welche die Grundlage für automatisierte Workflows in der Lagerplanung bildet und es erlaubt, Layouts künftig datengetrieben zu entwickeln und zu vergleichen.
Nach und nach sollen sowohl die geometrischen Formen der Funktionsbereiche als auch deren Meta-Informationen komplexer werden, um den Planungsprozess zu verbessern und die Lagerplanung Schritt für Schritt weiter zu digitalisieren.
Layout-Generierung: Von der Skizze zum optimierten Layout
Nachdem die Vision-Pipeline das gezeichnete Layout erkannt hat und Planer*innen es im Frontend validiert haben, können daraus optimierte Layout-Varianten generiert werden. Dieser Schritt bildet den Kern einer datengetriebenen Lagerplanung, bei der Varianten systematisch verglichen und bewertet werden können.
Die Herausforderungen
Zwischen Handskizze und nutzbarem Layout liegen zahlreiche Nebenbedingungen:
- Flächen dürfen sich nicht überlappen
- Alle Bereiche müssen ins Gebäude passen
- Bestimmte Bereiche (Wareneingang/-ausgang) brauchen Außenwandkontakt
- Verbundene Bereiche sollten kurze Wege haben
- Zielgrößen (Kapazität, m²) sollen erreicht und eingehalten werden
- Möglichst wenig Restfläche soll übrigbleiben
Diese Balance manuell zu erreichen, erfordert viele Iterationen und sorgfältige Detailarbeit in der CAD-Software. Ein genetischer Algorithmus kann solche Iterationen automatisch berechnen und in Sekunden aus hunderten Entwürfen eine machbare, gut balancierte Lösung identifizieren, was einen erheblichen Effizienzgewinn in der Konzeptphase der Lagerplanung bedeutet.
Zweistufiger Ansatz
1. Kapazitätsdimensionierung: Das System berechnet Minimalabmessungen, die die geforderte Kapazität mit realistischen Parametern (Gangbreiten, Regalgassen, Bedienflure) aufnehmen. Vorhandene Zielflächen werden als Ober- oder Untergrenzen respektiert. Ziel ist die maximale Nutzung der verfügbaren Fläche.
2. Räumliche Anordnung: : Mit diesen Startmaßen platziert der Optimierer alle Bereiche innerhalb der Gebäudehülle regelkonform und unter Berücksichtigung der Qualitätskriterien wie Wegebeziehungen, Kompaktheit und Restflächen.
Funktionsweise: Evolution im Rechner
Der genetische Algorithmus lässt viele Layout-Kandidaten parallel „gegeneinander antreten“ und kombiniert die besten Eigenschaften über mehrere Generationen hinweg. Statt eine einzige Lösung schrittweise zu verbessern, arbeitet der Algorithmus mit vielen unterschiedlichen Layout-Kandidaten gleichzeitig.
Jeder Kandidat beschreibt vollständig, wo welche Funktionsbereiche liegen, wie groß sie sind, welche Ausrichtung sie haben und ob spezielle Anker wie Außenwandkontakt bestehen. Das sind die „Gene“ einer Layoutvariante, , also genau jene Parameter, die für eine strukturierte Lagerplanung entscheidend sind.
1. Startpopulation: Das System erzeugt eine vielfältige Menge an Ausgangslösungen. Diese Vielfalt verhindert, dass alle Vorschläge in dieselbe Richtung driften.
2. Bewertung (Fitness): Jeder Kandidat wird bewertet. Unzulässige Zustände, wie sich schneidende Flächen oder Bereiche außerhalb des Gebäudes, erhalten sehr hohe Strafkosten und haben keine Chance auf die nächste Runde. Zugleich werden weiche Ziele bewertet:
- Wie gut passen die Flächen zu ihren Zielgrößen?
- Wie nah liegen häufig interagierende Bereiche?
- Wie kompakt ist das Gesamtbild?
- Wie wenig Restfläche bleibt übrig?
Diese Bewertung ermöglicht es, praktikable Entwürfe zu erkennen, die funktional und effizient zugleich sind und damit eine wichtige Grundlage für planungssichere Lagerlayouts bilden.
3. Auswahl (Turnierprinzip): Mehrere Kandidaten treten gegeneinander an, die besten setzen sich durch.
4. Kombination (Crossover): Erfolgreiche Teilideen werden gemischt, wie zum Beispiel eine kluge Dock-Position aus dem einen Layout mit einer besonders kompakten Lagerblock-Anordnung aus einem anderen.
5. Mutation: : Kleine, gezielte Veränderungen, wie minimale Anpassungen von Positionen oder Abmessungen, halten die Suche flexibel und verhindern, dass das System in lokalen Optima stecken bleibt.
6. Exploration vs. Exploitation: Die besten Varianten werden unverändert in die nächste Generation übernommen. Wenn die Vielfalt abnimmt, erzeugt das System des WarehouseDesigners gezielt neue Alternativen, um den Suchraum wieder zu erweitern.
Nach mehreren Dutzend Generationen entsteht ein ausgewogenes, regelkonformes Layout, das die Platzierung von Technologien in den Funktionsbereichen einbezieht. Eine abschließende lokale Nachbesserung glättet Kanten, richtet Rechtecke am Raster aus und reduziert kleine Restinseln, ohne harte Regeln zu verletzen.
Das Resultat ist ein Layout, das Skizzenvorgaben respektiert, Wegebeziehungen berücksichtigt und Flächen effizient nutzt. Dadurch entsteht eine fundierte Grundlage, auf der sich die weitere Lagerplanung präzise und zeiteffizient aufbauen lässt – etwa für CAD-Exporte, 3D-Visualisierungen oder Detailplanungen.
Ausblick: Nächste Entwicklungsschritte
Der WarehouseDesigner wird kontinuierlich weiterentwickelt – sowohl in seiner Anwendung für die Praxis als auch in den zugrunde liegenden KI-Methoden. Ziel ist es, die Lagerplanung von einer zeitintensiven, stark erfahrungsbasierten Tätigkeit zu einem datengetriebenen, interaktiven Prozess zu transformieren.
Erweiterte Funktionen für die Praxis
In der nächsten Entwicklungsphase wird der WarehouseDesigner um eine interaktive 3D-Visualisierung ergänzt. Damit können Layout-Varianten frühzeitig und anschaulich dargestellt werden, sodass Planerinnen und Planer bereits in frühen Konzeptphasen gezieltes Kundenfeedback einholen können.
Zudem wird die Bewertung von Layouts künftig auch Materialfluss, Fördertechniken und Leistungsgrenzen berücksichtigen.Dadurch lassen sich Engpässe und ineffiziente Wege bereits während der Konzeptplanung erkennen und vermeiden. Ein weiterer Entwicklungsschritt sind der Aufbau eines kuratierten Variantenportfolio: Statt einer einzigen „besten“ Lösung generiert der WarehouseDesigner gezielt Alternativen entlang unterschiedlicher Zielfunktionen – etwa minimale Fläche, maximale Skalierbarkeit, kurze Wege oder geringe Investitionskosten. Dadurch können Zielkonflikte in der Lagerplanung transparenter gemacht und Entscheidungen fundierter getroffen werden.
Forschungsperspektiven: Potenziale für zukünftige Entwicklungen
Auf Basis der bisherigen Ergebnisse eröffnen sich mehrere spannende Forschungsperspektiven, die den WarehouseDesigner langfristig erweitern könnten. Diese Themen markieren mögliche nächste Schritte, um die Leistungsfähigkeit und Anwendungsbreite KI-gestützter Lagerplanung weiter auszubauen.
Dazu zählen neue Ansätze zur robusten Geometrie-Erkennung, mit denen künftig auch unregelmäßige Lagerstrukturen, zum Beispiel L-Formen oder Schrägen, oder bestehende Gebäude (Brownfield-Planung) präzise erfasst werden können. Zuverlässiges Erkennen und Abbilden nicht-rechteckiger Flächen in der Vision-Pipeline und deren Modellierung und Berücksichtigung in der Optimierung würden die Unterstützungsmöglichkeiten für Anwender weiter steigern.
Ebenso bietet der Einsatz von Reinforcement Learning interessante Möglichkeiten, das System durch Nutzerfeedback zu verbessern – etwa indem es lernt, welche Layouts in der Praxis als besonders effizient bewertet werden. Nicht alle Qualitätskriterien lassen sich in mathematischen Zielfunktionen ausdrücken. Erfahrene Planerinnen und Planer verfügen oft über ein Gespür dafür, welche Layouts „gut“ sind, doch dieses implizite Wissen ist schwer zu formalisieren. Indem das System iterativ aus Nutzerbewertungen lernt, können Parameter der Zielfunktionen automatisch angepasst werden. Auf diese Weise wird der WarehouseDesigner im Laufe der Zeit besser darin, Layouts zu generieren, die nicht nur technisch optimal sind, sondern auch den spezifischen Präferenzen und Erfahrungswerten der Anwender*innen entsprechen.
Auch die Wissensnutzung aus Projektdaten birgt großes Potenzial: Erfahrungswissen aus früheren Planungen, CAD-Zeichnungen oder Prozessmodellen könnte systematisch in Recommender-Systeme einfließen Damit ließen sich künftige Planungen gezielt auf bewährte Lösungen aufbauen – ein wichtiger Schritt hin zu einer lernenden, datenbasierten Lagerplanung.
Der Weg nach vorne
Alle Entwicklungen verfolgen ein gemeinsames Ziel: Die Lagerplanung effizienter, transparenter und zugänglicher zu gestalten. Der WarehouseDesigner soll Fachplanerinnen und Fachplaner entlasten, den Lösungsraum erweitern und Entscheidungsprozesse durch datenbasierte Variantenvergleiche fundierter machen
Der WarehouseDesigner befindet sich derzeit in aktiver Entwicklung am Fraunhofer IML. Interessierte Unternehmen und Forschungspartner sind eingeladen, sich mit den Autor*innen des Beitrags in Verbindung zu setzen, um gemeinsam die nächste Generation der Lagerplanung mitzugestalten.
