Automatische LEGO Sortiersysteme: Technik, Wirtschaftlichkeit und Zukunftspotenzial

LEGO®-Steine zu sortieren ist für viele Sammler und Händler eine aufwendige Aufgabe. Angesichts von über 100.000 unterschiedlichen LEGO-Teilen [1] und oft kiloweise unsortierter Steine kann das manuelle Sortieren Stunden oder Tage in Anspruch nehmen. Besonders professionelle BrickLink-Händler, die gebrauchte LEGO-Konvolute verkaufen, investieren viel Zeit und Personal, um Steine nach Teilen oder Farben zu trennen. Automatische Sortiersysteme versprechen hier Abhilfe: Sie kombinieren mechanische Fördertechnik, Sensorik und KI-basierte Bilderkennung, um LEGO-Steine ohne menschliches Zutun zu identifizieren und zu sortieren. Doch wie ausgereift sind solche Systeme bereits? Dieser Bericht gibt einen umfassenden Überblick über bestehende automatische LEGO Sortiersysteme – von kommerziellen Produkten bis zu Open-Source- und DIY-Projekten. Im Mittelpunkt stehen die technischen Lösungen (Mechanik, Sensorik, Bilderkennung, Sortiermechanismus), Leistungsdaten (Geschwindigkeit, Erkennungsgenauigkeit), Softwareintegration sowie wirtschaftliche Aspekte (Kosten, Zielgruppen, Wartungsaufwand, Marktreife).

Besonderes Augenmerk legen wir auf zwei aktuelle Ansätze: die Hardwarelösung RBTX DISBY und die Software Brickognize. Wir untersuchen deren Funktionsweise, Integrationsmöglichkeiten in Arbeitsabläufe, Nutzen für professionelle Anwender und mögliche Limitierungen. Abschließend werden verschiedene Konzepte miteinander verglichen und bewertet, welche Technologien das Potenzial haben, sich am Markt durchzusetzen. Eine Vergleichstabelle fasst die wichtigsten Merkmale der vorgestellten Systeme übersichtlich zusammen.

Kommerzielle und professionelle LEGO Sortiersysteme

RBTX DISBY – automatisiertes Sortieren mit Industrierobotik

Ein bedeutender Vorstoß in Richtung kommerzielles LEGO Sortiersystem ist DISBY™ – ein System, das über die Robotik-Plattform RBTX (igus®) vorgestellt wurde. DISBY wird als „weltweit erstes automatisiertes LEGO-Sortiersystem“ bezeichnet [2] und zielt klar auf professionelle Anwender ab. Die Hardware basiert auf einem dreiachsigen Linearroboter mit Vakuum-Greifer, der einzelne Steine aufnimmt und in vorgesehene Behälter ablegt. Auffällig ist der Fokus auf robuste Industriekomponenten: So kommen präzise, langlebige Linearführungen zum Einsatz, um einen Dauerbetrieb zu ermöglichen. Das System ist für 24/7-Betrieb ausgelegt und soll manuelles Sortieren vollständig ersetzen [3].

Bilderkennung und Sensorik: DISBY verfolgt einen ungewöhnlichen KI-Ansatz, indem es Steine anhand von „minimalen formalen Beschreibungen“ wie Größe, Gewicht und Form erkennt. Anstatt jedes Teil mit tausenden Bildern zu trainieren, nutzt das System offenbar vorhandene Online-Daten (z. B. Abmessungen aus Datenbanken) und kombiniert mehrere einfache Merkmale zur Identifikation. Dies könnte bedeuten, dass neben Kameras auch Gewichtssensoren oder Messtechniken integriert sind – ein Hinweis darauf liefert das Stichwort Gewicht in der Beschreibung. Die KI muss also in der Lage sein, etwa einen Stein auf Grundlage seiner Abmessungen, der Anzahl Noppen oder seines Gewichts mit bekannten Datensätzen abzugleichen. Dadurch soll DISBY nahezu alle existierenden LEGO-Elemente erkennen können (theoretisch über 100.000 Teilvarianten). In der Praxis ist die Herausforderung groß: Steine müssen vereinzelt, richtig orientiert und von allen anderen getrennt der Kamera präsentiert werden (Stichwort Segmentierung), damit die Merkmale korrekt erfasst werden. Wie DISBY dies mechanisch löst, ist nicht im Detail beschrieben – vermutlich gibt es einen Vereinzelungsmechanismus (z. B. Rüttelzuführung oder Förderband), der jeweils einen Stein an die Erkennungsstation bringt.

Sortiermechanik und Kapazität: Ist ein Teil erkannt, transportiert der Dreiachs-Roboter den Stein in einen von 144 Zwischenbehältern. Diese Behälter stellen eine Art „lokalen Cache“ dar, d. h. das System sortiert gleichzeitig bis zu 144 unterschiedliche Teiltypen aus. Diese Zahl begrenzt die gleichzeitige Feinsortierung – tritt ein 145. Teiltyp auf, müsste entweder ein vorhandener Behälter geleert/umgewidmet oder der Stein als „sonstige“ aussortiert werden. Um den Dauerbetrieb sicherzustellen, verfügt DISBY über ein automatisches Entleerungssystem für die gefüllten Behälter. Das heißt, wenn ein Behälter voll ist, kann der Inhalt z. B. in einen größeren Container entleert werden, ohne den Betrieb zu unterbrechen. Diese Funktion ist besonders für große Mengen essentiell, damit ein menschlicher Eingriff (zum Leeren der sortierten Steine) möglichst selten erforderlich ist.

Leistung: In der aktuell vorgestellten Prototyp-Version erreicht DISBY eine Sortierleistung von etwa 500 Steinen pro Stunde, also rund 8–9 Steine pro Minute. Die Entwickler peilen jedoch über 1200 Steine pro Stunde als Endgeschwindigkeit an – das entspricht 20 Steinen pro Minute. Zum Vergleich: 500 Steine/Stunde sind bereits eine enorme Entlastung gegenüber manueller Sortierung, doch für industrielle Maßstäbe (etwa Tonnen von Steinen pro Monat) ist eine Steigerung auf 1200/h wünschenswert. Der Pick-&-Place-Ansatz (Greifen jedes einzelnen Steins) ist tendenziell langsamer als Fließband-Lösungen, dafür jedoch sehr flexibel: Theoretisch kann der Greifer jeden Stein gezielt an die exakt richtige Position legen, was Fehler (falsche Zuordnung) minimiert. Die angegebene Greifgenauigkeit von 0,1 mm unterstreicht diese Präzision. Allerdings erkauft man sich diese Genauigkeit mit komplexer Mechanik und Zeit pro Stein. Ein Vorteil ist wiederum, dass der Roboterarm auch größere oder unhandliche Teile manipulieren kann, wo rein gravitationsbasierte Systeme (Rutschen, Klappen) evtl. an ihre Grenzen kommen.

Software und Integration: Über die konkreten Software-Schnittstellen von DISBY ist wenig veröffentlicht. Da es sich um ein igus RBTX-System handelt, kann man annehmen, dass Standard-Komponenten wie Vision-Sensorik, Robotersteuerung und ggf. eine KI-Software miteinander integriert wurden. Zielgruppe sind „High-Volume“-Organisationen und Enthusiasten – sprich insbesondere professionelle Wiederverkäufer, eventuell auch LEGO-Häuser oder Museen mit großem Steinaufkommen. Für BrickLink-Händler wäre interessant, ob DISBY direkt an Bestandsverwaltungs-Software anknüpfen kann (z. B. automatisches Inventarisieren der sortierten Teile). Denkbar ist etwa, dass der erkannte Teil gleich mit seinem BrickLink-Part-Out-Datensatz verknüpft wird. Konkrete Hinweise darauf gibt es nicht, doch eine Integration in gängige Verkaufssysteme würde den Nutzen für professionelle Anwender erheblich steigern.

Der Hardwarepreis von DISBY wird auf der offiziellen Website aktuell mit 6.761 Britischen Pfund angegeben, was etwa 7.900 Euro entspricht (je nach Wechselkurs). Da igus-Industriekomponenten verbaut sind, ist davon auszugehen, dass sich der Gesamtpreis – je nach Ausstattung – im oberen vierstelligen bis fünfstelligen Euro-Bereich bewegt. Für größere Händler kann sich die Investition dennoch lohnen, insbesondere wenn dadurch dauerhaft Personalkosten eingespart werden. Die laufenden Betriebskosten sind vergleichsweise gering: Der Stromverbrauch eines kleinen Linearroboters und einer Kamera fällt kaum ins Gewicht – vor allem im Vergleich zu anderen Lagerkosten wie Heizung oder Beleuchtung. Entscheidender sind die Wartungsanforderungen: DISBY verspricht durch schmierfreie igus-Linearführungen einen geringen Wartungsaufwand. Dennoch müssen Anwender das System voraussichtlich regelmäßig von Staub befreien, die Saugleistung des Greifers prüfen und Software-Updates einspielen. Marktreife: Aktuell handelt es sich bei DISBY noch um einen Prototyp – das Konzept wurde 2020 mit dem igus ROIBOT Award ausgezeichnet. Über tatsächliche Auslieferungen an Kunden ist bisher nichts bekannt. Es ist jedoch wahrscheinlich, dass RBTX bzw. igus interessierten Unternehmen Pilotanlagen anbieten. Insgesamt zeigt DISBY, dass automatisiertes Sortieren im industriellen Maßstab technisch machbar ist und aktiv vorangetrieben wird. Die Kombination aus KI-basierter Objekterkennung und erprobter Automatisierungstechnik verspricht einen stabilen Dauereinsatz. Einschränkungen bestehen derzeit noch in der vergleichsweise geringen Geschwindigkeit und dem hohen Preis, was eine breite Anwendung im Hobbybereich vorerst ausschließt.

Sort A Brick – Sortier-Service mit KI-Unterstützung

Einen etwas anderen, serviceorientierten Weg geht das litauische Start-up Sort A Brick. Anstatt eine Maschine als Produkt zu verkaufen, bietet diese Firma einen Sortier- und Reinigungsservice für LEGO-Sammlungen an. Kunden können ihre unsortierten Steine einschicken und erhalten sie gereinigt, sortiert und sogar zu Bausätzen zusammengestellt zurück. Im Oktober 2024 erhielt Sort A Brick 1,15 Mio. € Finanzierung von Investoren, um seine KI-gestützte Sortiertechnologie auszubauen und international (u. a. in Deutschland) zu starten. Dieses Geschäftsmodell zeigt, dass eine echte Nachfrage nach automatisierter LEGO-Sortierung besteht – nicht nur von Händlern, sondern auch von Familien, die ihre herumliegenden Steine wieder nutzbar machen wollen [4].

Technik: Sort A Brick hat eine eigene Computer-Vision-Software entwickelt, die eingehende Mischungen von Steinen analysiert. Interessanterweise geht ihr Ansatz über das reine Identifizieren hinaus: Die KI soll ermitteln, „welche Modelle aus dem Mix gebaut werden können“. Das heißt, das System erkennt nicht nur was für Teile vorliegen, sondern kombiniert sie zu möglichen Sets oder Themen. In der Praxis kann das bedeuten, dass z. B. erkannt wird, dass 80 % der Teile einem Star-Wars-Set entsprechen – und dann werden diese Teile gruppiert und mit einer Anleitung des entsprechenden Sets zurückgeliefert. Sort A Brick nennt dies einen „zirkulären“ Ansatz, da vorhandene Steine zu neuen Bausätzen zusammengestellt werden, anstatt neue Sets zu kaufen.

Um das umzusetzen, betreibt Sort A Brick eine automatisierte Sortierstraße: Zunächst werden die Steine gewaschen, dann wahrscheinlich vereinzelt und per Fördersystem an Kameras vorbeigeführt. Die KI erkennt die Teile und sortiert sie gruppenweise, wobei Roboter oder pneumatische Aktoren die Teile in verschiedene Behälter lenken. Das Ergebnis wird manuell oder halbautomatisch verpackt (pro Set in Tütchen, mit passenden Bauanleitungen online). Technisch ähnelt das in Teilen dem, was auch andere Sortierer tun – allerdings hat Sort A Brick einen großen Fokus auf Software, die aus der Teileliste sinnvolle Ausgangsprodukte generiert (Set-Zusammenstellungen).

Leistung und Umfang: Genaue Durchsatzraten sind nicht bekannt, aber der Service richtet sich an Endkunden – Geschwindigkeit ist daher intern relevant, aber nicht als ausgewiesene Kennzahl. Wichtiger ist die Treffsicherheit der KI: Eine Fehlersortierung würde bedeuten, dass ein Set unvollständig oder mit falschen Teilen ankommt, was Kunden verärgern würde. Laut den Gründern ist ihr Verfahren einzigartig und sie seien „das einzige Unternehmen, das LEGO-Steine tatsächlich für dich sortiert“. Dies unterstreicht, dass es bislang kein etabliertes Konkurrenz-Produkt gibt.

Wirtschaftlichkeitsaspekte: Der Erfolg von Sort A Brick hängt daran, die Sortierkosten pro Kilo Steine niedrig genug zu halten, um den Service zu einem attraktiven Preis anbieten zu können – schließlich ist unsortiertes LEGO etwa 10 €/kg wert, sortiert in Sets aber deutlich mehr. Durch die Finanzierung soll die Kapazität und Automatisierung erhöht werden, was darauf hindeutet, dass derzeit noch manuelle Schritte nötig sind. Mit dem Kapital will man in eine verbesserte Maschinen-Prototypen und Computer Vision investieren, um schrittweise zur Vollautomatisierung zu gelangen. Die Zielkunden (Eltern, die Alt-LEGO ihrer Kinder aufbereiten, um neue Bauerlebnisse zu schaffen) legen Wert auf Kostenersparnis gegenüber Neukauf und Nachhaltigkeit. Sort A Brick adressiert beide Punkte, indem es gebrauchtes LEGO „wie neu“ zurückliefert.

Einschätzung: Sort A Brick zeigt einen professionellen Use-Case jenseits des Händler-Markts: Hier steht der Bauspaß im Vordergrund, nicht das Verkaufen einzelner Teile. Technologisch relevant ist, dass ein Unternehmen KI-gestützte LEGO-Erkennung erfolgreich einsetzen kann und Investoren überzeugt hat. Dies untermauert die Machbarkeit solcher Systeme. Allerdings merkt man, dass selbst mit Finanzierung die Automatisierung noch im Aufbau ist – ein Hinweis darauf, dass kein verfügbares Standardsystem existiert und viel Entwicklungsarbeit nötig ist (die Sort A Brick nun leistet). Für unseren Überblick bedeutet das: Vollautomatische LEGO-Sortierung hat bereits reale Anwendungen, befindet sich aber in einer Übergangsphase vom Labor/Prototyp zur marktfähigen Lösung.

Instabrick – der „LEGO-Scanner“ für Zuhause

Während RBTX DISBY und Sort A Brick auf komplette automatisierte Anlagen setzen, gibt es auch kleinere, konsumorientierte Lösungen. Ein Beispiel ist Instabrick, ein in der AFOL-Community bekanntes Gerät aus Italien. Instabrick ist kein vollautomatischer Sortierer, sondern ein Scanner-Kasten mit Kamera und Beleuchtung, der einzelne LEGO-Teile per KI erkennt. Man kann es sich als eine Art “LEGO-Bilderkennungsstation” vorstellen: Der Nutzer legt einen Stein hinein, drückt einen Knopf, und auf dem verbundenen Web-App-Dashboard erscheint sofort die Identifikation des Teils (Teilename, Nummer etc.). Instabrick nutzt künstliche Intelligenz, um LEGO-Steine und Minifiguren schnell und präzise zu erkennen. Die Macher werben damit, die weltweit größte Datenbank standardisierter LEGO-Teilfotos aufgebaut zu haben (gefüttert durch Nutzer-Uploads). Diese Datenmenge erlaubt dem System eine hohe Erkennungsquote über nahezu alle gängigen Teile [5].

Funktionen und Integration: Instabrick ist in ein ganzes Online-Ökosystem eingebunden. Die Web-App speichert erkannte Teile direkt im Cloud-Inventar des Nutzers. Dieses Inventar ist integriert mit großen Marktplätzen wie BrickLink – d. h. man kann erkannte Teile und deren Mengen bequem mit seinem BrickLink-Shop synchronisieren. Auch eine Pick-to-Light-Lagerverwaltung bietet Instabrick an: Hierbei leuchten LED-Anzeigen an den Schubladen mit Lagerbestand auf, um dem Verkäufer das Finden der Teile für Bestellungen zu erleichtern. Instabrick deckt also den gesamten Prozess ab: Scannen und Erfassen von Teilen, Verwalten des Bestands und Marktplatz-Integration. Für BrickLink-Verkäufer ist das äußerst wertvoll – es eliminiert das mühsame Suchen von Teilenummern in Katalogen und beschleunigt das Einstellen von Artikeln enorm.

Technik und Leistung: Die Erkennung erfolgt offenbar serverseitig – der Scanner übermittelt das Bild an die Instabrick-Plattform, wo die KI es auswertet. Die Erkennungszeit liegt im Sekundenbereich. Da immer nur ein Teil auf einmal erkannt wird, hängt der Durchsatz direkt vom Benutzer ab, der Stein für Stein einspeist. Dennoch: Im Vergleich zur manuellen Bestimmung (teilweise minutenlanges Katalogblättern pro unbekanntem Teil) ist Instabrick wesentlich schneller und zuverlässiger. Es erkennt viele Teile auf Anhieb korrekt, einschließlich Minifiguren und bedruckter Elemente, solange sie im Foto klar sichtbar sind.

Einschränkungen: Instabrick sortiert nicht automatisch, es ist ein Halb-Werkzeug. Der Anwender muss jeden Stein einmal in das Gerät legen – für 1000 Teile also 1000 Scanvorgänge. Für kleinere Mengen oder besonders knifflige Teile ist es ideal; für das völlige Aussortieren einer Tonne LEGO wäre es alleine aber zu langsam. Instabrick richtet sich daher eher an mittlere Sammlungen und kleine Händler, die Wert auf Inventargenauigkeit legen, aber (noch) keine vollautomatische Maschine haben. Der Anschaffungspreis lag in der Beta-Phase um 200–300 €, was für Enthusiasten erschwinglich ist. Es können laufende Kosten (Abo) für die Web-Dienste anfallen, wobei viele Grundfunktionen auch kostenlos nutzbar sind.

Interessant ist, dass Instabrick von Hobbyisten bereits als Kern für DIY-Sortierer ins Gespräch gebracht wurde. In Online-Foren wird diskutiert, eine Zuführmechanik (Hopper + Förderband) vor den Instabrick zu schalten und dann mithilfe der Instabrick-API einen Motor anzusteuern, der den Stein in den richtigen Behälter wirft. So könnte man mit vorhandener KI („schwierigster Teil bereits gelöst“) und etwas Bastelmechanik einen eigenen Sortierer bauen. Damit zeigt Instabrick einen möglichen Zwischenweg auf: Statt alles neu zu entwickeln, kombinieren findige Anwender fertige Erkennungsgeräte mit DIY-Hardware, um Teile der Sortieraufgabe zu automatisieren.

Zusammenfassend ist Instabrick kein automatischer Sortierer im engeren Sinne, aber ein wichtiger Baustein in der Entwicklung: Es beweist, dass Teil-Erkennung als Dienst hervorragend funktionieren kann und dass dafür ein Kundenmarkt existiert. Für BrickLink-Händler, die ihre Prozesse beschleunigen möchten, ist es bereits heute ein nützliches Werkzeug. Im Kanon der Sortiersysteme nimmt Instabrick eine Sonderrolle ein – es zeigt, wie Massendaten und KI-Modelle auch im Fan-Bereich genutzt werden können, ohne dass der einzelne Nutzer Machine-Learning-Know-how haben muss.

Open-Source- und DIY-Projekte

Neben professionellen Lösungen gibt es seit Jahren eine rege Maker-Community, die eigene LEGO-Sortiermaschinen entwirft. Diese DIY-Projekte treiben die technische Entwicklung oft kreativ voran und veröffentlichen ihre Ergebnisse als Open-Source, sodass andere daraus lernen können. Im Folgenden stellen wir einige herausragende Projekte vor und betrachten ihre technischen Ansätze.

„Universal LEGO Sorting Machine“ von Daniel West

Einen Meilenstein stellte Anfang 2021 das universelle LEGO Sortiersystem des australischen Bastlers Daniel West dar. Diese Maschine sorgte international für Aufsehen, weil sie vollständig aus LEGO-Technic-Elementen und Mindstorms-Modulen gebaut war und dennoch KI-gestützt alle möglichen Teile erkennen konnte. Daniel West konstruierte über zwei Jahre aus über 10.000 LEGO-Steinen eine Anlage, die jeden LEGO-Stein in einen von 18 Behältern einsortieren kann – und zwar mit einer Geschwindigkeit von einem Stein alle zwei Sekunden. Das entspricht etwa 30 Steinen pro Minute (~1800 pro Stunde), was beachtlich schnell ist. Er nennt sie „universal“, weil die Maschine absolut jeden LEGO-Stein aller Zeiten erkennen kann, selbst wenn sie ihn noch nie gesehen hat.

Mechanik: Das Herz der Maschine ist in LEGO-Technic gebaut und setzt auf ein Förderband und Gravitationssortierung anstelle eines Greifarms. Ein vibrierender Aufgabebehälter (“Hopper”) mit zwei hintereinander geschalteten Förderbändern vereinzelt die Steine: Ein langsames Band zieht gemischte Steine aus dem Vorratsbunker heraus, lässt sie auf ein schneller laufendes Band fallen; zusätzlich sorgt eine Rüttelplatte dafür, dass Teile nicht aufeinander liegen. Dieses Prinzip – langsam zuführen, dann beschleunigen und durch Rütteln separieren – erzeugt einen gleichmäßigen Strom einzelner Steine. Über diesem Fließband ist ein Raspberry Pi Kameramodul angebracht, das jeden vorbeifahrenden Stein erfasst. Wichtig: Die Kamera schießt kontinuierlich Bilder, und sobald ein Stein vollständig im Sichtfeld ist, wird das Bild zur Analyse genommen. Damit die Bilder scharf und verwertbar sind, hat Daniel West das System gut ausgeleuchtet und eine hohe Auslösegeschwindigkeit gewählt. Der Pi selbst konnte die Bilder nicht schnell genug klassifizieren, deshalb sendet er sie drahtlos an einen externen PC, wo die KI-Bilderkennung läuft. Nach der Klassifikation meldet der PC dem LEGO-Modell, um welchen Teil es sich handelt. Dann kommt ein rein mechanischer Trick: Das Band transportiert den Stein an eine Reihe von servo-gesteuerten Falltüren (Gates). Diese 18 Klappen können gezielt aufklappen und dadurch den Stein in den richtigen Sortierbehälter leiten. Unten sind 18 Eimer positioniert, in denen die sortierten Steine landen. Durch geschicktes Timing spuckt die Maschine so jeden Stein ins korrekte Fach.

Bilderkennung: Das eigentliche Highlight ist der KI-Algorithmus. Daniel West nutzte ein Convolutional Neural Network (CNN) zur Bilderkennung. Neuartig war seine Herangehensweise beim Training: Anstatt Zigtausende Fotos echter Steine aufzunehmen, generierte er Trainingsbilder aus 3D-Modellen aller LEGO-Teile. Er verwendete also die CAD-Daten (z. B. aus der LDraw-Bibliothek) und renderte daraus künstliche Bilder in verschiedenen Perspektiven, um dem CNN beizubringen, wie bestimmte Steine aussehen. Dies ermöglichte dem System tatsächlich, jedes Teil zu erkennen, selbst seltene oder alte Steine, denn die 3D-Modelle deckten das komplette Sortiment ab. Diese Vorgehensweise mit synthetischen Daten war wegweisend – sie umging das Problem mangelnder echter Fotos für seltene Teile. West nutzte einen Raspberry Pi 3B+ mit Kamera v2 und koppelte ihn mit einem leistungsstarken PC (mit NVIDIA GTX 1080Ti GPU) für die KI-Berechnungen. Die Software lief mit TensorFlow/Keras und war entsprechend trainiert.

Leistungsdaten: Mit ~1800 Teilen pro Stunde bei 18 Sortierkategorien war diese DIY-Maschine in mancher Hinsicht bereits leistungsfähiger als der heutige DISBY-Prototyp. Allerdings ist zu beachten, dass Daniels 18 Kategorien keine individuellen Teilnummern waren, sondern vermutlich Gruppen (z. B. „Platten“, „Steine“, „Technic Pins“ etc.). Tatsächlich ist es physisch kaum machbar, jeden Teiltyp einzeln auszusortieren, wenn man nur 18 Ausgabebehälter hat. Die Maschine sortierte also nach Teilart-Gruppen, nicht 100% nach individuellem Design. Dennoch ist das eine enorme Hilfe, denn es trennt z. B. Grundbausteine von Technic-Teilen, was die Feinsortierung stark vereinfacht. Die Genauigkeit der Erkennung war durch das umfassende Training sehr hoch – Berichten zufolge nahezu fehlerfrei bei eindeutigen Teilen. Probleme bereiteten lediglich bedruckte Steine oder Farbdifferenzierungen, da die KI auf die Form trainiert war (z. B. erkannte sie einen roten 2×4-Stein und einen blauen 2×4-Stein als dasselbe Teil, da sie Farbe ignorierte). Für viele Sortierzwecke ist das aber ausreichend, da man Farbe später sortieren kann.

Veröffentlichung und Resonanz: Daniel West hat seine Erkenntnisse offen geteilt und in Blogposts die technischen Details erläutert. Seine Maschine war der Proof-of-Concept, dass KI + LEGO-Mechanik funktionieren kann. Natürlich war sie als LEGO-MOC fragil und nicht für Dauerbetrieb mit großen Mengen gedacht – aber sie inspirierte viele andere. Auch große Tech-Magazine berichteten (z. B. Popular Mechanics, Heise) begeistert über die „erste KI-LEGO-Sortiermaschine“. Für unser Thema zeigt dieses Beispiel: Eine DIY-Community kann komplexe Lösungen hervorbringen, die sogar kommerzielle Ansätze überholen. Limitierend waren hier die auf 18 Kategorien begrenzte Sortierung, die Notwendigkeit eines separaten PCs und die fehlende Wirtschaftlichkeit (ein Unikat, das nur der Erbauer bedienen kann). Doch als Forschungsplattform war es bahnbrechend.

PBackx’ automatisiertes LEGO Sortiersystem (EV3 & Raspberry Pi)

Inspiriert von Projekten wie dem oben genannten, entwickelte der belgische AFOL pbackx (Peter B. aus Gent) eine Open-Source-Legosortiermaschine, die er 2021 auf Rebrickable veröffentlichte. Sein Ansatz war, eine baubare Anleitung bereitzustellen, sodass andere es nachbauen können. Die Maschine besteht hauptsächlich aus dem LEGO Technic Set 42055 Schaufelradbagger (dessen Teile als Grundgerüst dienen) und einem Mindstorms EV3-Steuerblock nebst Motoren. Hinzu kommt ein Raspberry Pi mit HQ-Kamera und einigen 3D-gedruckten Halterungen. Die Hardwarekosten liegen grob im mittleren dreistelligen Euro-Bereich (viele LEGO-Teile + Elektronik) [6].

Funktion: PBackx’ LEGO Sortiersystem orientiert sich konzeptionell an Daniel Wests Design, aber in verkleinertem Maßstab. Ein Förderband transportiert Steine einzeln zur Kamera. Dort erkennt eine KI-Software auf dem Raspberry Pi bzw. einem verbundenen PC den Stein. Anschließend werden die Steine mittels eines drehbaren Sortierkarussells in einen von 6 Behältern geworfen. Die 6 Behälter sind auf einer Drehscheibe montiert, die sich jeweils so positioniert, dass der nächste Stein ins korrekte Fach fällt. Ein LEGO-Farbensensor unter der Scheibe hilft, die Position der Fächer genau abzustimmen. Somit kann die Maschine in einem Durchgang bis zu 6 verschiedene Sortierziele unterscheiden. Diese kann der Erbauer selbst definieren – z. B. bestimmte Teilkategorien. Welche Kategorien sinnvoll sind, hängt von der KI-Trainingsbasis ab [7].

Bilderkennung: Die Softwareseite baute pbackx in Python mit OpenCV und TensorFlow/Keras auf. Anfangs erkannte das System nur wenige einfache Teiltypen, aber mit erweiterter Trainingsmenge wurde es stetig besser. Pbackx nutzte einen vortrainierten CNN-Ansatz (Transfer Learning mit VGG16-Netz) und trainierte zusätzliche Ausgabeschichten für die LEGO-Klassifikation. Zunächst waren es nur 3 Teilklassen mit >95 % Genauigkeit, doch das Ziel war die Erweiterung auf Dutzende oder Hunderte Klassen. Wichtig: Der Raspberry Pi schickt die Bilder zur Auswertung an einen leistungsfähigeren Rechner (der Pi fungiert als Kamera-Controller und Conveyor-Manager, nicht als KI-Rechner). Diese Trennung ist ähnlich wie bei Daniel West. Laut PBackx war die Software-Einrichtung eine der größten Hürden: Man braucht Linux-Kenntnisse, muss Jupyter-Notebooks bedienen und KI-Bibliotheken installieren – also nichts für den Laien. Allerdings stellte er den Quellcode open-source zur Verfügung und hat ihn kontinuierlich verbessert (2024 migrierte er z. B. das Projekt auf ein neues Repository und vereinfachte die Installation).

Mechanik und Leistung: Die Fördermechanik besteht aus zwei hintereinander laufenden Riemen ähnlich wie bei West. Allerdings gab PBackx an, dass sein Design zunächst nur Steine bis ca. 1 cm Größe verarbeiten konnte. Größere Steine wurden durch ein vorgeschaltetes Sieb aussortiert. Das deutet darauf hin, dass der Zuführtrichter und die Schikanen in den Förderbändern nur kleine Teile korrekt vereinzeln konnten – größere Teile könnten verkanten oder mehrere zugleich ins Bild bringen. PBackx plante daher, die gesamte Zuführeinheit nochmal neu zu gestalten. In der bestehenden Version lief die Maschine voll funktionsfähig, aber er räumt ein: „Es war ein echtes Liebhaberprojekt und hat mir bisher noch keine Zeit erspart.“. Das heißt, der Aufwand fürs Trainieren und Justieren war hoch, und die Sortiergeschwindigkeit war eher moderat. Konkrete Zahlen nennt er nicht, aber man kann schätzen: Wenn pro Stein angehalten, fotografiert, erkannt und weitertransportiert werden muss, dürfte die Rate vlt. bei einigen Steinen pro Minute liegen. Für Heimzwecke okay, für große Mengen aber (noch) kein Durchbruch.

Wartung und Weiterentwicklung: Die Maschine erforderte ein gutes Maß an Überwachung. Laut Beschreibung kam es vor, dass mal zwei Steine gleichzeitig durchrutschten oder einer steckenblieb. Solche typischen Kinderkrankheiten mussten manuell behoben werden. PBackx hat durch Updates versucht, die Software robuster zu machen, und erwähnt 2025, dass man nun kein eigenes Deep Learning mehr trainieren muss, weil vorgefertigte Modelle genutzt werden. Dies könnte bedeuten, dass er z. B. auf Brickognize-ähnliche Bibliotheken umgestiegen ist oder seine Community ein Modell fertig trainiert hat, das man einfach nutzen kann.

Insgesamt demonstriert dieses Projekt, dass semi-automatische Sortierung im Hobbybereich möglich ist – allerdings mit deutlichem Aufwand. Die auf 6 Ausgabekategorien begrenzte Sortierung zeigt, dass viele Maker sich zunächst auf Grob-Sortierung konzentrieren (ähnlich wie das BSL-Projekt weiter unten). Trotzdem ist pbackx’ Ansatz näher an einer Feinsortierung, da er auf konkrete Teilidentifikation abzielt. Es ist auch eines der wenigen Projekte mit öffentlichen Bauanleitungen – für ambitionierte LEGO-Fans also eine nachbaubare Option. Die Limitierungen (langsam, komplex einzurichten) machen jedoch klar, dass es (noch) eher ein Experimentierfeld als ein praktisches Alltagsgerät ist.

Automatisiertes Sortieren bei BSL Bricks (Studentenprojekt)

Ein sehr praxisnahes Beispiel für einen DIY-Ansatz stammt aus den Niederlanden: 2022 entwickelten vier Student*innen im Rahmen der „Smart Manufacturing & Robotics“-Hochschulprojektreihe eine Sortiermaschine für den LEGO-Shop BSL Bricks. BSL Bricks ist ein Ladengeschäft und BrickLink-Händler, der in großem Stil gebrauchte LEGO-Sammlungen an- und verkauft. Dort wurde bisher alles von Hand nach Teilkategorien sortiert, was viel Zeit band. Die Firma stellte den Studierenden also die Aufgabe, eine kostengünstige Maschine zu bauen, die die Massen an Steinen vorsortiert. Wichtig: BSL wollte keine vollständige Teil-für-Teil-Sortierung, sondern eine Einteilung in fünf große Kategorien: „Bricks“ (1×X Steine), „Blocks“ (2×X Steine), „Plates“ (1×X flache Platten), „Sheets“ (größere Platten ≥ 2×X) und „Tiles“ (flache teile ohne Noppen). Diese grobe Sortierung würde bereits viel Arbeit sparen, da danach Mitarbeiter nur noch innerhalb einer Kategorie nach Teilnummer sortieren müssten [8].

Konstruktionsprinzip: Das Team legte Wert auf günstige Komponenten – man war budgetbeschränkt. Deshalb wurde zuerst entschieden, ein ausgefeiltes Förderbandsystem mit mehreren motorisierten Bändern (wie bei Daniel West) nicht zu verwenden, da allein die Beschaffung der Teile teuer geworden wäre. Stattdessen nutzten sie existierende LEGO-Kettenbänder und einfache Motoren für die Vereinzelung, kombinierten diese mit Holz- und Metallkonstruktionen für Rahmen und Behälter, und setzten günstige Arduino/ESP32-Komponenten als Steuerung ein (aus dem Bericht geht das nicht detailliert hervor, aber Fotos zeigen keine Mindstorms-Steine – vermutlich wurden Microcontroller verwendet). Eine clevere Idee war, vor dem eigentlichen Sortiergerät eine manuelle Größensortierung mittels Sieben vorzuschalten. Sie bauten ein Holzsieb mit 6 Maschengrößen, durch das die unsortierten Steine geschüttelt werden. So trennt man sehr große Teile (die eventuell die Maschine verstopfen könnten) und sehr kleine Teile (z. B. 1×1-Plättchen, die ggf. durch jede Ritze fallen) von mittleren Teilen. Die Maschine selbst wurde auf die mittleren Größen ausgelegt.

Der Sortierautomat besteht dann aus vier Modulen: 1. Hopper (Trichter), 2. Feeder (Zuführer), 3. Vision Box (Kameragehäuse), 4. Separation Station (Ausscheider). Die Funktionsweise ist wie folgt: Aus dem Trichter transportiert ein kleines Schrägförderband portionsweise Steine nach oben. Um Kosten zu sparen, wurde hier tatsächlich ein LEGO-Technic Förderband aus dem Bagger-Set benutzt – ein schönes Beispiel für die kreative Wiederverwendung von LEGO-Teilen in einer realen Maschine. Dieses Band lässt die Steine oben in den „Feeder“ fallen, der aus zwei vibrierenden V-förmigen Rinnen besteht. Durch Vibration (erzeugt von kleinen Exzenter-Motoren) wandern die Steine diese Rinnen entlang und werden dabei vereinzelt. Zwischen den beiden hintereinander geschalteten V-Rillen sind Schikanen eingebaut, damit die Steine nacheinander von der ersten in die zweite Rinne übergehen und nicht mehrere gleichzeitig durchrutschen. Am Ende des Feeders fällt dann ein Stein nach dem anderen auf ein kleines Horizontal-Förderband, das durch die Vision-Box führt. Zwei Lichtschranken/IR-Sensoren überwachen die Abstände: Einer steuert den Nachschub vom Hopper, damit kein Stau entsteht; der andere sitzt vor der Kamera und meldet, wenn ein Stein im Erkennungsbereich ist.

Wenn der Stein die Vision Box erreicht (ein abgedunkeltes Gehäuse mit Kameras), wird er von drei Kameras aus unterschiedlichen Winkeln fotografiert. Das ist bemerkenswert – hier hat man erkannt, dass ein einziges Bild oft nicht reicht, um die Teile sicher zu erkennen (besonders bei flachen Teilen, die aus einer Perspektive schwer unterscheidbar sind). Die drei Aufnahmen werden an ein Machine-Learning-Modell (YOLOv5) übergeben, das die Teilform klassifiziert. Die Ergebnisse der drei Kameras werden verglichen: Stimmen alle überein, ist die Erkennung sehr sicher. Falls nicht, nimmt das System die Klasse mit der höchsten Konfidenz als Ergebnis. Wenn gar nichts eindeutig ist, wird der Stein als „unbekannt“ deklariert. Die Wahl von YOLOv5 (You Only Look Once) deutet darauf hin, dass das Modell eigentlich für Objekterkennung in Bildern gedacht ist. Hier wurde es zweckentfremdet, um die Klasse des einzelnen Objekts zu bestimmen – im Grunde also auch als Bildklassifikator. Die Student*innen haben rund 2.500 Bilder manuell annotiert und in Roboflow zum Training verwendet. Leider gab es Zwischenfälle: Ihre Roboflow- und Colab-Accounts wurden wegen übermäßiger Nutzung gesperrt, sodass sie mit neuen Accounts nochmal von vorne anfangen mussten. Zeitdruck führte dazu, dass sie am Ende bei YOLOv5 blieben, obwohl es nicht das optimalste Modell war. Ein Convolutional Network speziell für Klassifikation wäre vielleicht besser gewesen, aber man war froh, es überhaupt zum Laufen gebracht zu haben.

Nach der Erkennung geht es zur Separation Station: Hier befinden sich 5 Klappenmechanismen – je einer über einem Auffangbehälter pro Kategorie. Diese Separatoren sind im Grunde kleine, motorisierte Schieber, die sich ins Band herein bewegen können. Sie sind mit TPU-Gummi beschichtet, um die Steine beim „Abzweigen“ besser zu greifen. Über ein kleines HMI (Bedienpanel) kann BSL einstellen, welcher Kategorie welcher Behälter zugeordnet ist (z. B. „Behälter 1 = Bricks“, etc.). Läuft nun ein Stein durchs Vision-Modul und wird als z. B. „Plate“ erkannt, dann öffnet sich im richtigen Moment der Schieber zum „Plates“-Behälter und schnappt den Stein vom Band. So wird er seitlich in den Container befördert. Steine, die entweder nicht zu einer der ausgewählten 5 Kategorien gehören (z. B. „Technic“, was BSL evtl. erstmal gar nicht sortieren möchte) oder die das System nicht erkennt, fahren einfach über das Ende des Bands und fallen in einen „Diverses“-Behälter.

Ergebnis und Verbesserungen: Die Maschine funktionierte als Proof-of-Concept und konnte tatsächlich LEGO in die fünf gewünschten Hauptgruppen sortieren. BSL Bricks konnte damit den händischen Sortieraufwand reduzieren, wenngleich die Maschine sicher nicht vollkommen autonom lief – vermutlich musste Personal ab und zu das Siebgut nachfüllen, unbekannte Teile nachsortieren und auf Fehlgriffe achten. Das Projektteam nannte auch einige Schwachstellen und Empfehlungen: So sei ihr ML-Modell (YOLOv5) suboptimal und sollte durch ein besser passendes (z. B. ein klassisches CNN) mit mehr Trainingsdaten ersetzt werden. Der Feeder arbeite im Prinzip gut, habe aber Probleme mit Gummireifen, die wegen Reibung manchmal hängen blieben. Auch insgesamt sei eine gründlichere Analyse der Vibrationstechnik sinnvoll, um durchgehenden, gleichmäßigen Fluss sicherzustellen (manchmal kamen Steine stoßweise oder es entstand doch ein Lücke). Das Transportband musste improvisiert mit weißer Folie beklebt werden, da das originale schwarze Band ungünstig für die Bildverarbeitung war – hier sollte langfristig ein helles Band genutzt werden, das auch haltbarer ist (die aufgeklebte Folie riss mit der Zeit). Und schließlich die Separatoren: Diese griffen nicht jeden Stein perfekt; gelegentlich flutschte ein Teil durch oder verklemmte sich halb. Eine robustere Konstruktion oder alternative Mechanik (z. B. Luftdüsen) könnte hier helfen.

Nichtsdestotrotz war die Konklusion: Das Gerät erfüllt den Zweck, LEGO in die geforderten fünf Hauptkategorien zu sortieren, und kann im Laden eingesetzt werden, um das Personal zu entlasten. Dieses Projekt illustriert sehr gut einen pragmatischen, kostensensiblen Ansatz: Mit einfachen Mitteln (LEGO-Band, günstige Kameras, DIY-Vibration) wurde eine spezifische Anforderung umgesetzt. Für die breite Anwendung ist es freilich noch kein ausgereiftes Produkt – aber als Praxisbeweis für die Wirksamkeit auch grober Sortierung ist es wertvoll. Es zeigt auch einen Unterschied zu Daniel Wests Universal-Sorter: BSL braucht gar nicht jedes Teil zu kennen; es reicht, grob vorzusortieren. Dieser gestufte Ansatz (erst grob automatisch, dann fein manuell) könnte in vielen Kontexten die sinnvollste Lösung sein, bis vollautomatische Feinsortierung bezahlbar wird.

Weitere Erwähnungen: Farbsortierer und kleinere Projekte

Neben den obigen größeren Projekten gab es viele weitere Versuche, wenigstens Teilaspekte des Sortierens zu automatisieren. Besonders verbreitet sind Farbsortiermaschinen, etwa mit LEGO Mindstorms. So gab es im offiziellen EV3-Kit ein Beispielprojekt namens „SORT3R“, das Steine nach Farbe (und Größe: 1×1 vs 2×2) sortieren konnte. Diese Maschine arbeitete mit dem EV3-Farbsensor und 3 Ausgabefächern. Farbsortierung ist vergleichsweise einfach – daher finden sich dazu zahlreiche YouTube-DIY-Videos. Ein anderes kreatives Konzept ist der Vakuum-Sorter: Dabei werden LEGO-Teile durch einen Staubsauger angesaugt und in einem Rohrsystem nach Größen getrennt (kleine Teile gehen weiter durch, große werden früher ausgesiebt). Dieses Prinzip wurde als Aufsatz für Haushaltsstaubsauger populär („LEGO-Vac“). Es sortiert zwar nicht nach Teilart, aber trennt winzige von größeren Teilen – was ein Anfang sein kann [9].

Auch pneumatische oder Greif-Prototypen gibt es: z. B. experimentierte das Unternehmen SPH Engineering mit einem 6-Achs-Roboterarm namens „LEGO Sorter Prototype“, und auf GitHub findet sich das Projekt Nexus, ein offenes Konzept für eine Sortiermaschine mit modularer Teileklassifizierung. Zudem entwickeln manche AFOLs Tools, um aus einer Liste erkannter Teile auf mögliche Sets zu schließen (um z. B. herauszufinden, welche Sets in einem Konvolut stecken könnten). So etwas könnte man als Software-Ergänzung zu Brickognize betrachten (eine Multi-Part-Erkennung, die Sets eingrenzt – Brickognize selbst kann das nicht, wie wir gleich sehen).

In Summe zeigt die Maker-Szene viele Einzellösungen für Teilschritte: von Mechaniken zur Vereinzelung über verschiedenste Sortiermechanismen (Klappen, Drehscheiben, Luftdruck, Greifer) bis zu Ansätzen der Objekterkennung (traditionelle Bildverarbeitung mit OpenCV, Machine Learning mit eigenen Netzen, oder Nutzung von bestehenden Diensten wie Brickognize). Diese Vielfalt speist direkt in kommerzielle Entwicklungen ein – es ist kein Zufall, dass etwa DISBY Elemente von Wests und BSLs Konzepten aufgreift (Vereinzeln, KI-Klassifikation, Pufferbehälter) und dass Brickognize als Dienst aus dem AFOL-Umfeld entstand, aber nun professionell betrieben wird.

Software-Tools zur LEGO-Teileerkennung: Brickognize & Co.

Ein zentraler Baustein aller modernen Sortiersysteme ist die Software zur Teileerkennung. Selbst wenn die Mechanik perfekt ist – ohne zuverlässige Erkennung nützt sie wenig. Viele der oben genannten Projekte entwickelten eigene KI-Modelle mit viel Aufwand. Inzwischen gibt es jedoch allgemein verfügbare Software-Tools, die genau diese Erkennung übernehmen können. Eines davon ist Brickognize – eine spezialisierte Anwendung zur LEGO-Teileidentifikation per Bild. Da Brickognize in der Anfrage explizit genannt wurde, widmen wir ihm ein eigenes Kapitel. Außerdem betrachten wir kurz dessen Nutzen in Verbindung mit Integrationsmöglichkeiten (z. B. BrickLink-Software) und möglichen Alternativen.

Brickognize – der KI-Bilderkennungsdienst für LEGO

Brickognize ist ein seit ca. 2023 verfügbares Online-Tool und Mobile App, mit dem man durch Fotografieren eines LEGO-Teils sofort herausfinden kann, um welches Element es sich handelt. Im Grunde handelt es sich um eine angepasste Form von Objekterkennung ähnlich Google Lens, jedoch ausschließlich trainiert auf LEGO-Steine, Minifiguren und sogar ganze Sets. Laut offizieller Beschreibung erkennt Brickognize „fast alle aktuellen und historischen LEGO-Steine, Sets und Minifiguren“ – das ist eine beeindruckende Abdeckung. Die Anwendung ist derzeit als Beta-Version kostenlos nutzbar (ggf. gibt es eine Anfrage für Spenden oder Premium-Funktionen, aber der Grunddienst war zuletzt gratis) [10].

Nutzung und Funktion: Der User nimmt mit der Smartphone-Kamera (oder PC-Webcam) ein Foto eines einzelnen LEGO-Teils auf. Wichtig ist, dass nur dieses Teil im Bild ist und es gut beleuchtet und scharf zu sehen ist. Brickognize lädt dieses Bild zum Server hoch, wo die KI es auswertet. Innerhalb von Sekunden erhält man das Ergebnis: Teilename und Teilnummer (bzw. ggf. Setnummer oder Minifig-Code, falls man ein ganzes Figürchen fotografiert hat). Besonders praktisch: Brickognize bietet direkt einen Link auf BrickLink an. Klickt man diesen an, öffnet sich die BrickLink-Seite des erkannten Teils. Dort sieht man alle Sets, in denen das Teil vorkam, sowie Durchschnittspreise etc. Dieses Feature macht Brickognize extrem hilfreich, um z. B. unbekannte Teile einem Set zuzuordnen. Ein Benutzer berichtet begeistert: „Es ist im Grunde Google Lens nur für LEGO. Es zeigt dir den Namen des Teils mit Nummer an, und wenn du auf die Nummer tippst, kommst du direkt zum BrickLink-Item, wo steht, in welchen Sets/Minifigs das Teil vorkommt.“.

Mit dieser Info kann man z. B. aus einer Kiste gemischter Teile herausfinden, welche Sets ursprünglich darin enthalten waren. Viele AFOLs nutzen Brickognize, um alte Sammlungen zu analysieren – man scannt ein paar markante Teile und schaut, in welchen Set sich ihre Schnittmenge befindet. (Brickognize selbst unterstützt das Multi-Teile-Matching allerdings nicht automatisch: Auf die Frage, ob es mehrere Teile gleichzeitig erkennt und mögliche gemeinsame Sets ermittelt, lautet die Antwort: „Nein, leider nur eins nach dem anderen; das Eingrenzen muss man selbst machen… Ich bin sicher es gibt Apps, die mehrere auf einmal können, aber ich kenne keine.“. Hier wäre also noch Potential für zukünftige Software, die Brickognize ergänzen könnte.)

Integration in Arbeitsabläufe: Für professionelle BrickLink-Verkäufer ist Brickognize ein Segen. Viele nutzen es zusammen mit BrickStore, einem Offline-Tool zur Lagerverwaltung und Massenuploads auf BrickLink. Tatsächlich gibt es eine Integration von Brickognize in BrickStore – über ein Plugin oder Skript kann man direkt in BrickStore die Kamera aktivieren, einen Teil abfotografieren und das Programm füllt automatisch die Teilenummer in der Tabellenzeile aus. Videos und Tutorials zeigen, wie so ein Workflow aussieht. Dadurch lässt sich z. B. ein neu eingelagerter Posten schnell ins Inventar aufnehmen: Teil nehmen, Foto machen, BrickStore zeigt Teil # und Namen an, man ergänzt Anzahl und Zustand – fertig. Was früher vielleicht 2–3 Minuten Internetrecherche pro unbekanntem Teil brauchte, geschieht nun in Sekunden. Die „Integrationstiefe“ von Brickognize ist hier bemerkenswert: Es ist nicht nur eine Standalone-App, sondern ein Webservice, der von anderen Programmen angesprochen werden kann. Über eine API oder Plugin-Schnittstelle lässt es sich also in verschiedene Umgebungen einbinden (sei es BrickStore, eigene Skripte oder – wie diskutiert – in eine Sortiermaschinen-Software).

Leistung und Genauigkeit: Nutzerberichte loben Brickognize als „Game Changer“ beim Sortieren. Es werden selbst Teile erkannt, die man auf den ersten Blick für Fremdfabrikate hielt, die aber doch LEGO sind – das spricht für eine sehr umfassende Trainingsbasis. Natürlich ist Brickognize nicht unfehlbar: Bei sehr ähnlichen Teilen (z. B. Paneele, die sich nur durch geringfügige Maße unterscheiden) kann es mal falsch raten. Auch muss das Teil sauber und möglichst vollständig sichtbar sein; ein halb verdeckter Stein oder stark abgenutzter Aufdruck könnten Probleme machen. Einige Anwender erwähnen zudem Stabilitätsprobleme in der Beta – manchmal lade die Seite langsam oder breche ab (gerade zu Stoßzeiten). Ein Kommentar berichtet: „Brickognize war bei mir oft wackelig, hat häufig Timeouts. Ich habe dann ein Jahresabo bei BrickScan bezahlt und das läuft einwandfrei.“. BrickScan scheint ein Konkurrenz-Produkt zu sein, das kostenpflichtig ist. Dies zeigt jedoch: Das Konzept der KI-Teileerkennung ist so gefragt, dass sogar mehrere Anbieter entstehen. Brickognize wird sich hier sicherlich weiterentwickeln (evtl. auch ein Bezahlmodell einführen, um bessere Serverleistung zu finanzieren).

Limitierungen: Für vollautomatische Sortierung ist Brickognize im aktuellen Zustand nur eine Teillösung. Es übernimmt die Identifikation eines Teils, nicht jedoch die physische Handhabung. Wenn man Brickognize in eine Maschine integrieren wollte, bräuchte man eine Schnittstelle, die pro Stein ein Foto an Brickognize sendet und das Ergebnis auswertet, um dann Aktoren anzusteuern. Theoretisch machbar, praktisch gibt es aber Hürden: Brickognize ist ein Cloud-Service – eine DIY-Maschine bräuchte also eine Internetverbindung und müsste mit Latenz und evtl. API-Beschränkungen umgehen. Auch ist Brickognize auf ein Objekt pro Bild ausgelegt, was aber bei den meisten Maschinen ohnehin der Fall ist (sie vereinzeln ja). Ein möglicherweise größeres Problem ist die fehlende Farbdifferenzierung: Brickognize meldet den Teil meist in einer Standardfarbe oder ohne Farbangabe (da der BrickLink-Datensatz farbunabhängig ist). Wenn eine automatische Sortiermaschine also farbspezifisch sortieren sollte (z. B. rote vs blaue 2×4-Steine getrennt), müsste man eine Farberkennung ergänzen. Allerdings kann man argumentieren, dass Farbe auch später von einer simplen Maschine (oder von Menschen) sortiert werden kann – die aufwändigere Formunterscheidung ist der Engpass, den Brickognize löst.

Nutzen für Profis: Brickognize & Co. haben die Einstiegshürde für LEGO-Bilderkennung deutlich gesenkt. Mussten Enthusiasten früher eigene neuronale Netze trainieren, kann heute jeder auf einen Dienst zurückgreifen, der Millionen Teile kennt. Für BrickLink-Händler mit großen Beständen, insbesondere jene, die Teile aufkaufen, die sie nicht sofort identifizieren können, bedeutet das: Sie können schneller ihr Inventar strukturieren und verkaufen. Augenschonung und Zeitersparnis sind konkret genannte Vorteile. Auch für Hobby-Sortierer, die ihre Sammlung katalogisieren möchten, ist es genial – es verwandelt die früher monotone Arbeit in einen etwas spielerischen Vorgang (Stein scannen und Infos bekommen hat etwas Befriedigendes und Lerneffekt). Ein Nebeneffekt: Brickognize hilft, Fälschungen oder Fremdteile auszusortieren. Wenn ein Teil gar kein Ergebnis liefert, ist es vielleicht kein LEGO – so können z. B. Megablocks erkannt und aussortiert werden, was man mit bloßem Auge manchmal übersieht.

Brickognize vs. BrickScan vs. Instabrick: Da Brickognize gratis ist, hat es eine breite Nutzerbasis gewonnen. BrickScan scheint ähnlich zu funktionieren, aber mit Abo-Gebühr – möglicherweise bietet es dafür schnellere Erkennung oder eine Offline-Funktion. Instabrick wiederum hat eine eigene Datenbank; es ist quasi Brickognize + Gerät in einem, allerdings mit geschlossener Plattform. Interessant ist, dass Brickognize von einigen als flaky (wackelig) beschrieben wurde, BrickScan hingegen als robust. Es bleibt abzuwarten, ob Brickognize hier nachbessert. In jedem Fall zeigt die Existenz dieser Tools, dass die Teileerkennung als eigenständiger Service bereits marktreif ist. Für die Frage nach massenmarkttauglichen Technologien (siehe Fazit) ist das ein wichtiger Punkt: Es könnte sein, dass die Zukunft der LEGO-Sortierung weniger in individuellen KI-Modellen pro Maschine liegt, sondern in zentralen Erkennungsdiensten, die jede Maschine anzapfen kann.

Vergleich und Bewertung der Ansätze

Nach der ausführlichen Beschreibung verschiedener Systeme wollen wir nun die Technologien und Konzepte gegenüberstellen. Ziel ist es, herauszuarbeiten, welche Vor- und Nachteile die jeweiligen Ansätze haben und welche Komponenten oder Methoden das größte Potenzial für einen breiten Einsatz besitzen. Die Spannweite reicht von schweren Industrierobotern über LEGO-basierte Bastellösungen bis hin zu reinen Softwarediensten. In der folgenden Tabelle sind einige der besprochenen Systeme exemplarisch verglichen:

System / Projekt	Erkennungs-Technik	Mechanik & Sortierprinzip	Geschwindigkeit	Sortiert in…	Zielgruppe & Kosten
RBTX DISBY (igus/ALTUMVI)	KI mit formalen Teil-Daten (Größe, Gewicht, Topologie). Erkennt ~100k Teile via Abgleich, kaum Training nötig.	Linearportal mit Vakuumgreifer; nimmt Einzelteil auf und legt in einen von 144 Bins (autom. Entleerung).	~500 Teil/h (Ziel: >1200/h). 24/7 Dauerbetrieb ausgelegt.	bis zu 144 verschiedene Teiltypen gleichzeitig (erweiterbar durch Leeren).	Industrie & Großhändler. Sehr hohe Investitionskosten (schätzungsweise >50.000 €). Wirtschaftlich, wo Personalkosten hoch und Volumen groß sind.
Sort A Brick (Service)	Computer Vision + Datenbank ordnet Teile Modellen zu. Proprietäre KI, erkennt Teile und berechnet Set-Zugehörigkeit.	Automatisierte Linie: Waschen, vereinzeltes Kamera-Scanning, robot. Gruppierung nach erkannten Sets.	k.A. (nicht öffentlich, interne Effizienz relevant). Ziel: hohe Stückzahlen pro Tag.	Sets (bestehende oder custom) aus unsortiertem Bestand. Teile gruppiert nach Baukästen.	Endkunden (Familien, Schulen) via Dienstleistung. Kunden zahlen pro Kilo/Set; Kosten < Neukauf. Für breiten Markt gedacht, aber aktuell noch im Aufbau (Prototyp-Maschinerie).
Instabrick (Scanner)	Cloud-KI erkennt ~13k Teile & Minifigs anhand Foto. Größte Foto-Datenbank, laufend verbessert.	Scan-Station (Kamerabox) – manuelles Einlegen eines Teils nacheinander. Keine automatische Sortiermechanik.	~2–5 Sek. pro Teil (Benutzer getaktet). Ca. 700–1200 Teile/h theoretisch (real langsamer wegen Handling).	Erkennt ein Teil pro Scan. Ausgabe: digitale Inventarliste (mit Lagerort, Preis etc.), kein physisches Sortieren.	AFOLs, BrickLink-Händler (klein/mittel). Gerät ca. 200–300 €, Software teils kostenlos. Spart Arbeitszeit bei Inventarisierung, aber benötigt weiterhin manuelle Zuarbeit.
Daniel Wests „Universal Sorter“	CNN (Keras/TensorFlow) auf Basis synthetischer 3D-Bilder. Erkennt jede Teilform (Farbe ignoriert).	LEGO-Technic-Förderbänder mit Vibration; RPi-Kamera + externer PC; Servo-Klappen leiten in Eimer. Voll aus LEGO gebaut.	~1800 Teil/h (1 Teil / 2 s). Sehr schnell für DIY, aber Start/Stop zum Fotos machen.	18 Kategorien (z.B. nach Teilart). Keine getrennte Farbsortierung.	Tech-Demo / Einzelstück. Kosten schwer bezifferbar (>€1000 für EV3s, Pi, PC). Nicht käuflich, Nachbau komplex. Für Experimentatoren interessant, Massenmarkt: nein (aber inspirierend für andere).
PBackx LEGO-Sorter (MOC)	CNN (Transfer Learning VGG16) auf RPi/PC. Anfangs nur wenige Klassen, erweiterbar. Open Source.	LEGO EV3 + Technic; 2-stufiges Band, RPi HQ-Cam; Drehkarussell mit 6 Sortierfächern. Zuführung mit Begrenzung auf <1 cm Teile.	Geschätzt <100 Teil/h (Stop-and-go-Betrieb mit Pausen für Erkennung). „Noch keine Zeitersparnis“ laut Erbauer.	6 definierbare Gruppen (z.B. „Plates“, „Bricks“, „Technic“ etc.). Fokus auf Form, Farbe via EV3-Farbsensor ggf. separat.	Maker/Hobbyisten. Materialkosten ~€500–800 (LEGO-Set + EV3 + Pi + Cam). Hoher Zeitaufwand für Bau/Setup. Nicht kommerziell erhältlich, aber Anleitung verfügbar.
BSL Bricks Sortiermaschine	ML-Modell YOLOv5 mit ~2500 Trainingsbildern. Erkennung von 5 Kategorien über 3 Kamerabilder.	Zuführtrichter, LEGO-Förderband, Vibrations-Vereinzelung (V-Rinne); 3 Kameras; 5 pneumatische Klappgreifer mit TPU. Low-Budget-Bau (LEGO+Holz+Standard-Cams).	ca. 100–300 Teil/h (nicht angegeben; begrenzt durch Vereinzeler und Erkennung). Für Grobsortierung ausreichend flott.	5 Hauptkategorien (Bricks, Blocks, Plates, Sheets, Tiles). Rest in „unsortiert“-Kiste.	BrickLink-Händler (intern genutzt). Einzelanfertigung (Studierenden-Projekt), Kosten gering (~€1000 Material). Zeigt kosteneffektive Lösungen, aber keine Serienreife.
Brickognize (App)	Tiefes neuronales Netz (cloudbasiert) erkennt fast alle LEGO-Teile, Minifigs, Sets vom Foto. Nutzt BrickLink-Daten für Referenz.	keine physische Sortierung – Software-Service. Input manuell (Foto hochladen). Integration in BrickStore & Co. möglich (API).	~1–3 Sek. pro Anfrage (abhängig von Internet). Sehr hohe Geschwindigkeit verglichen mit menschlicher Suche.	Ein Teil pro Abfrage. Output: Teilname, -nummer, BrickLink-Link. Keine automatische Klassenzuordnung (nur Info).	Alle LEGO-Besitzer (Beta gratis). Spart enorm Zeit, setzt aber manuelle Bedienung voraus. Könnte als Erkennungsmodul in künftige Sortiergeräte einfließen.

(Hinweis: Die Angaben zu Geschwindigkeit und Kosten sind teilweise Schätzungen auf Basis verfügbarer Infos. Kategorien = Sortierausgänge, nicht zu verwechseln mit Erkennungsklassen – z.B. erkennt Brickognize zwar zig Tausende Klassen, gibt aber immer nur einen Treffer zurück.)

Technische Gegenüberstellung

Schaut man auf die Tabelle und vorhergehenden Beschreibungen, lassen sich einige Muster erkennen:

• Mechanik vs. Durchsatz: Systeme mit Fließbandsortierung (West, BSL) erreichen tendenziell höhere Durchsätze als Pick-and-Place-Roboter (DISBY), da sie kontinuierlich arbeiten und Steine im Strom sortieren. Allerdings sind sie oft auf wenige Sortierkategorien parallel beschränkt (18 bzw. 5 im Beispiel), während ein Roboter prinzipiell beliebig viele Ausgabekategorien bedienen kann (hier 144). Für einen Massenmarkt scheint ein stufenweises Sortierkonzept attraktiv: Erst grob sortieren (schnell), dann Feinsortierung in Etappen. Ähnlich funktioniert auch Recyclingtechnik (erst nach Material trennen, dann weiter untergliedern). Ein LEGO-Analogon wäre: Erst nach Grundformen sortieren (Steine, Platten, Technik etc.), danach jede Gruppe einzeln durch eine Spezialmaschine schicken oder mit Menschen feinsortieren. Diese Aufteilung haben BSL und pbackx gewählt und scheint praxistauglich, weil Komplexität reduziert wird.
• KI-Ansatz: Anfangs (um 2017) experimentierten viele mit klassischer Bildverarbeitung (Farbsensoren, Kanten-/Kreisdetektion etc.), doch das neuronale Netzwerk hat sich klar durchgesetzt. Alle modernen Ansätze nutzen CNNs oder verwandte ML-Verfahren, weil die Formenvielfalt von LEGO so groß ist, dass Hardcoding kaum machbar ist. Allerdings unterscheiden sich die Methoden: DISBY nutzt wohl kein Bildklassifikationsnetz für zig Tausende Klassen, sondern einen hybriden Ansatz (Dimensionen checken, evtl. Gewicht messen, Formdatenbank abgleichen). Das könnte Vorteile bei Rechenzeit haben – statt eines riesigen Netzes mit 100k Ausgängen setzt man auf wenige Regeln pro Teil. Ob das skaliert, muss sich zeigen. Die meisten DIY-Projekte setzten auf Deep Learning mit individuellen Trainingsdaten. Hier hat Brickognize/Instabrick klar einen Vorteil: Sie verfügen über enorme Datenmengen und professionelle Trainingspipelines, was zu höherer Erkennungsrate führt, als ein Einzelner erreichen kann. Daher ist es wahrscheinlich, dass künftige Systeme auf solche vortrainierten Modelle zugreifen werden, anstatt das Rad neu zu erfinden [11].
• Sensorik: Alle Projekte verwenden optische Sensoren (Kameras). Zusätzliche Sensorik wie Gewichtszellen (zur Unterscheidung ähnlicher Teile) könnten in Zukunft vermehrt auftauchen – bei DISBY wird Gewicht genannt, BSL hat so etwas nicht genutzt. Farbdetektion ist trivial möglich (ein farbiges Teil erst identifizieren und dann Farbinformation vom RGB-Scan ergänzen). Im kommerziellen Kontext ist Farbe oft gar nicht so wichtig zu sortieren, da Händler gleiche Teile verschiedener Farben getrennt lagern – aber im Endkunden-Kontext (Kind will alle roten Steine) könnte Farb-Sortierung ein Feature sein. Eventuell werden also Massenprodukte den Farbmodus wählbar machen.
• Softwareintegration: Gerade Brickognize und Instabrick zeigen, wie wichtig Verknüpfung mit bestehenden Ökosystemen ist. Ein automatischer Sortierer für Händler hätte wenig Reiz, wenn er zwar Teile trennt, aber der Händler dann doch manuell sein Inventar pflegen muss. Die Zukunft liegt in End-to-End-Lösungen: Von der Kiste unsortiert bis zur online gelisteten Ware ohne menschliche Zwischenschritte. Dazu müssen Sortiermaschinen Software-seitig an BrickLink, BrickOwl etc. andocken. Instabrick hat das bereits (Inventarsync), Brickognize unterstützt zumindest manuell die BrickLink-Links. Ein vollautomatisches System könnte z. B. nach dem Sortieren pro Teiltyp zählen und direkt eine CSV für BrickLink generieren – solche Dinge sind sehr wahrscheinlich in Entwicklung, da sie den professionellen Nutzen maximieren.

Wirtschaftliche Betrachtung

• Kosten vs. Nutzen: Für Privatanwender ist ein hoher Anschaffungspreis die größte Hürde. Im Hobbybereich gilt: Eine Maschine darf nicht teurer sein als der Wert der Steine, die sie sortiert. Wenn jemand 50 kg LEGO zu Hause hat, Wert sagen wir 500 €, wird er keine 5000 € für einen Sortierer ausgeben. Daher müssen Home-Sorter entweder <1000 € kosten oder so universell sein, dass man ihn evtl. vermieten/teilen kann. Aktuell erfüllen nur sehr einfache Bausätze oder Tools (Instabrick, DIY-Lösungen) dieses Kriterium. Kommerzielle Systeme wie DISBY rechtfertigen ihren Preis nur in Szenarien, wo Arbeitszeit teuer ist oder große Mengen regelmäßig anfallen. BrickLink-Shops mit mehreren Mitarbeitern (Lohnkosten) könnten kalkulieren: Wenn ein 50.000 €-Sorter 1–2 Mitarbeiter ersetzt, rechnet er sich. Für die meisten AFOLs ist das aber weit außerhalb der Möglichkeiten.
• Betriebskosten (Strom, Verschleiß) sind bei LEGO-Sortierern gering im Vergleich zu Industrieanlagen – die Hauptkosten sind wirklich Anschaffung und ggf. Software. Allerdings darf man Wartung nicht unterschätzen: LEGO-Steine können Staub und Krümel haben, mechanisch verklemmen usw. Eine Maschine erfordert regelmäßige Reinigung, Entfernung von Fremdteilen (Papier, Gummibänder, die oft in Konvoluten mit drin sind) und Kalibrierungen. Professionelle Systeme werden daher mit Support-Verträgen kommen, was wieder Kosten sind. Für Massenmarktprodukte müsste man die Maschinen so fehlertolerant und einfach wie möglich designen, damit ein Kind oder Elternteil sie bedienen kann ohne ständige Justage.
• Zielgruppen: Wir sehen deutlich zwei Schwerpunkte:
  • Reseller/Händler – diese wollen Zeit = Geld sparen. Hier liegt der Fokus auf Präzision und Durchsatz. Kosten können höher sein, wenn sich Renturn on Invest ergibt. RBTX DISBY, Instabrick und Brickognize adressieren diese Gruppe, ebenso BSLs DIY-Lösung (speziell für ihren Shop).
  • Konsumenten/Privat – Familien, AFOLs, Bildungseinrichtungen. Diese wünschen eher Benutzerfreundlichkeit, Sicherheit und moderate Kosten. Sort A Brick zielt auf Familien (allerdings als Service, nicht Maschine). Ein denkbares Massenprodukt wäre z. B. ein „LEGO Sorter“-Heimgerät, das Kinder mit ihrer unsortierten Kiste füttern können und das farblich oder nach Teilen sortiert ausspuckt.
• Im Moment gibt es für Gruppe 2 noch kein fertiges Serienprodukt – aber es ist aus Kundensicht attraktiv (viele Eltern würden wohl ein „LEGO-Sortiergerät“ kaufen, wenn es wie ein Staubsaugerpreis in etwa hätte und das ständige Sortieren erleichtert). Der erste, der sowas auf den Markt bringt, könnte also einen neuen Produktsektor schaffen.
• Marktreife: Brickognize und Instabrick sind marktreif (Software bzw. einfaches Gerät), aber vollständige Sortierroboter sind es weitgehend noch nicht. DISBY ist ein Prototyp, Sort A Brick noch in begrenzter Pilotphase, DIY-Projekte sind Prototypen. Es gibt noch keine käufliche All-in-One-Sortiermaschine. Die Pioniere arbeiten daran und innerhalb der nächsten Jahre könnte sich das ändern. Insbesondere igus/ALTUMVI könnten DISBY zur Marktreife bringen und als (teures) Nischenprodukt anbieten. Vielleicht entsteht auch aus der Maker-Szene ein Startup, das eine vereinfachte Maschine (z. B. mit 10 Kategorien Sortierung für ~1500 €) auf den Markt bringt – vergleichbar mit einem 3D-Drucker, der vor 10 Jahren auch erst Selbstbauprojekt war und jetzt als Gerät kaufbar ist.

Zukunftspotenzial der Technologien

Welche Technologie hat das Potenzial massenmarkttauglich zu werden? Hierzu einige Einschätzungen:

• KI-Software (Bilderkennung): Definitiv massenmarkttauglich. Sie ist es faktisch schon, in Form von Apps und Cloud-Services. Die Hürde, eine App zu installieren und damit zu scannen, ist gering. Das wird vermutlich Standard für LEGO-Fans werden – ähnlich wie Pflanzen- oder Sternenerkennungsapps allgegenwärtig wurden. Brickognize & Co. dürften ihren Vorsprung ausbauen, evtl. mit Offline-Modi (wenn Smartphones stark genug sind, könnte das Modell auch lokal laufen). Für jeden automatischen Sortierer wird eine zuverlässige Erkennung zentral sein, und es ist unwahrscheinlich, dass jeder Hersteller eigene KI-Modelle neu entwickelt. Eher wird es Lizenzmodelle geben (z. B. Brickognize bietet seine Erkennung für Maschinenhersteller an). Hier gilt: Software as a Service – was im Hintergrund läuft, ist dem Endnutzer egal, Hauptsache es funktioniert. Also ja, KI-Erkennung ist gekommen, um zu bleiben, und wird eher noch besser (auch dank immer mehr Trainingsdaten und vielleicht 3D-Bilderkennung in Zukunft).
• Mechanische Vereinzelung: Ist ein Knackpunkt – viele DIY-Projekte scheitern oder limitieren sich genau daran. Aber es gibt viele erprobte Techniken aus anderen Branchen (Vibrationswendelförderer, Rüttelsiebe, Förderband mit definierter Rieselrate etc.). Die Herausforderung ist die Diversität der LEGO-Teile: Von 1g leichten 1×1-Plättchen bis hin zu großen Paneelen oder flexiblen Schläuchen. Eine einzige Maschine, die wirklich ALLES verarbeiten kann, ist extrem anspruchsvoll. Vermutlich wird man sich entscheiden: Entweder das Gerät nimmt nur Standardsteine (alles über einer gewissen Größe muss aussortiert werden) – oder man baut modulare Systeme. Für den Massenmarkt könnte ein pragmatischer Ansatz sein: Beschränkung auf Standardteile (z. B. keine flexiblen Seile, Textilien, ganz große Platten). Damit kann man 90% des normalen LEGO-Aufkommens abdecken, und Sonderteile muss der Benutzer separat behandeln. Das erhöht die Zuverlässigkeit und würde Akzeptanz nicht groß mindern. Mechaniken wie im BSL-Projekt (Sieb + Vibration) wirken robust und günstig und könnten in vereinfachter Form in ein Consumer-Gerät einfließen (ggf. durch patentfreie Designs, da Vibrationsförderer bekannt sind).
• Sortiermechanismus: Hier sieht man verschiedene Wege:
  • Greifarm (DISBY) – flexibel, aber teuer/langsam; eher in High-End-Bereich.
  • Fallklappen / Weichen (West, BSL) – schnell, aber begrenzte Anzahl und potenziell fehleranfällig bei kritischen Teilen.
  • Luftdruck-Jets (Mattheij) – sehr schnell und ohne mechanische Berührung, aber braucht präzises Timing und funktioniert nur, wenn Teile auf dem Band nicht rollen/springen.
  • Drehkarussell (PBackx) – kompakt, aber ebenfalls auf wenige Auslässe limitiert und speedmäßig kein Vorteil.
  Für breite Anwendung scheinen mehrstufige Systeme sinnvoll: Erste Stufe mit schnellen Weichen in grobe Bins, zweite Stufe optional mit einem Pick&Place oder feineren Weichen. Auch ein Parallelisieren mehrerer Linien könnte die Durchsatzmenge erhöhen (z. B. zwei Förderbänder nebeneinander mit je eigenem Kamerasystem sortieren gleichzeitig unterschiedliche Kategorien). Dieses Prinzip sieht man in Sortieranlagen der Logistik – und denkbar auch in LEGO-Sortern, sobald die Grundmaschine zuverlässig läuft.
• Automatisierungsgrad und Mensch-Maschine-Kombination: Eventuell setzen sich mittelfristig halbautomatische Systeme durch: Maschinen, die zwar erkennen und vorsortieren, aber wo Menschen noch gewisse Schritte machen (z. B. Maschine sortiert 80% automatisch, gibt 20% unsichere Fälle in ein Fach „bitte manuell prüfen“). Diese Kombination könnte bereits viel bringen und wäre sicherer, als zu versuchen, 100% abzufangen. Brickognize ist ein Beispiel dieser Philosophie – es nimmt dem Menschen die Identifikationsarbeit, verlangt aber dessen Hand für die physischen Aktionen.
• Massenmarkttauglichkeit: Am ehesten massentauglich sind Komponenten, die
  1. einfach,
  2. preiswert und
  3. zuverlässig sind.
  Brickognize erfüllt (1) und (3) weitgehend und (2) komplett (kostenlos). Instabrick erfüllt (1) und (3), (2) bedingt (für Hardcore-Fans okay). Bei den physischen Sortierern hapert es noch an (2) und teilweise (3). Ich vermute, dass zunächst einfachere Sortiermaschinen auf den Markt kommen könnten, z. B. ein Gerät, das nur nach Farbe oder Größe sortiert, weil das mechanisch simpler ist. LEGO selbst hatte mal Sortierboxen mit Siebeinsätzen (rein manuell zum Schütteln). Darauf aufbauend wäre ein motorisierter Schüttelsorter (Größe) plus Farbsensor denkbar – das wäre keine Vollerlösung, aber schon hilfreich beim Aufteilen. Sowas könnte die Akzeptanz testen und relativ günstig produziert werden.

Längerfristig jedoch – und das war ja Kern der Frage – haben die vorgestellten KI-gestützten Mechanismen das Potenzial, den Sprung in breitere Anwendungen zu schaffen. Insbesondere wenn Firmen wie igus (Robotik) und Sort A Brick (Vision) weiter investieren, werden wir robustere, schnellere Systeme sehen. Die heute noch teuren Komponenten werden günstiger (siehe 3D-Drucker: Anfangs teuer, heute in Consumer-Region).

Fazit: Die Kombination aus ausgereifter Objekterkennung (z. B. Brickognize-Technologie) und durchdachter Mechanik (z. B. modulare Förder-/Trennsysteme wie bei BSL oder West) ist der Schlüssel zur massenhaften Verbreitung. Ein LEGO Sortiersystem, das in ein paar Jahren eventuell auf den Markt kommt, könnte folgendermaßen aussehen: „LEGO Sorter Home“ – eine Art kompakter Kasten mit Trichter, der gängige Steine auf mehrere Boxen verteilt und per App anzeigt, welche Teile er erkannt hat (Integration mit BrickLink). Wenn der Preis im vernünftigen Rahmen liegt, würde das wohl viele Abnehmer finden – von Eltern, die das leidige Aufräumen delegieren, bis zu Händlern, die ihre Effizienz steigern.

Aktuell stehen wir an der Schwelle: Die Technik funktioniert bereits in Pilot-Systemen, jetzt geht es um Skalierung, Kostenreduktion und Zuverlässigkeit. In den nächsten 5–10 Jahren ist es durchaus vorstellbar, dass automatische LEGO Sortiersysteme so normal werden wie Saugroboter – letztere waren anfangs auch teure Spielereien und sind heute in vielen Haushalten. Die hier untersuchten Technologien – vom RBTX-Industrieroboter über KI-Apps bis hin zu DIY-Vorbildern – bilden zusammen den Weg dorthin. Wer genau das Rennen macht, bleibt abzuwarten, aber klar ist: KI und Automatisierung werden die LEGO-Welt nachhaltig verändern, und das Sortieren ist eines der ersten Felder, in dem sich das zeigt.

---

---