Thema 2.1

Generalisierungsf?higkeit autonomer Systeme Forschungsthema 2.1

Smart Factory Grids (SFGs) bestehen aus spezialisierten Micro-Manufacturing Units (MMUs), wie 3D-Druck-, Transport-, Montage- und Qualit?tskontrolleinheiten. Diese MMUs sind digital miteinander vernetzt und arbeiten zusammen, um flexible, verteilte Produktionsumgebungen zu erm?glichen, die ma?geschneiderte Produkte effizient herstellen. Autonome cyber-physische Systeme, die den Kern der SFGs bilden, koordinieren, treffen Entscheidungen und interagieren mit dem Menschen.

Diese Arbeit konzentriert sich auf die Verbesserung der Generalisierungsf?higkeit von autonomen Systemen innerhalb der SFGs. Dort müssen sich Roboter an die semi-strukturierten/dynamischen Umgebungen anpassen und Aufgaben wie Materialfluss und Health Monitoring erm?glichen oder schnell und effizient unvorhergesehene Aufgaben meistern. Im Fokus stehen dabei Methoden des maschinellen Lernens wie Multimodal Learning und Reinforcement Learning, um es autonomen Systemen zu erm?glichen, in dynamischen Produktionsumgebungen schnell und effizient zu generalisieren. Durch die Forschung an Systemen, die gemeinsam Daten austauschen und lernen, soll die Systemleistung optimiert und das menschliche Eingreifen reduziert werden. Die Erkenntnisse werden dazu beitragen, flexible, selbstoptimierende industrielle Systeme zu schaffen, die in der Lage sind, eine hohe Variabilit?t an Produktionsprozessen zu bew?ltigen.

Herausforderungen

Autonome Systeme in (strukturierten) Umgebungen, wie z. B. Industrierobotik, Haushaltsautomatisierung und autonomes Fahren, wurden umfassend analysiert. Kooperative autonome Systeme in vordefinierten Umgebungen sind ebenfalls ein aktuelles Thema der Forschung. Die F?higkeit solcher Systeme zur Generalisierung und Anpassung in Umgebungen mit h?ufigen und bedeutenden Ver?nderungen, wie den SFG, ist jedoch noch weitgehend unerforscht. Doch genau diese F?higkeit ist angesichts der dynamischen Natur verteilter Produktionsumgebungen von entscheidender Bedeutung. Dort treten Schwierigkeiten wie schnell ?ndernde Betriebskonfigurationen oder eine hohe Variabilit?t der Aufgabenanforderungen auf, was den Bedarf an Robotern mit verbesserter Intelligenz und erh?hter Robustheit erforderlich macht.

Forschungsansatz

Der Forschungsansatz kombiniert Theorie, Experimente und Simulationen: Er beginnt mit einer Recherche über den ?Sense-Plan-Act“-Zyklus und End-to-End-Ans?tzen in der Single- und Multi-Agent Robotik, wobei der Schwerpunkt auf Techniken zur kooperativen Datenerfassung und Aufgabenausführung liegt. Auch von hoher Relevanz ist der Echtzeit-Datenaustausch sowie die Entscheidungsfindung in dynamischen Umgebungen.

Darüber hinaus wird ein Experimentierfeld mit verschiedenen Robotern, die jeweils mit Sensoren, Rechnern und Aktoren ausgestattet sind, die Erprobung kooperativer Wahrnehmungsstrategien und Algorithmen zur Ressourcenzuweisung in der realen Welt erm?glichen. Parallel dazu soll eine simulierte Umgebung mit Tools wie NVIDIA Omniverse skalierbare Tests und Entwicklung erm?glichen und gleichzeitig die Forschung zur ?berbrückung der Lücken zwischen Simulation und Realit?t unterstützen.