{"id":3450,"date":"2021-06-22T12:54:00","date_gmt":"2021-06-22T10:54:00","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=3450"},"modified":"2023-03-10T14:30:46","modified_gmt":"2023-03-10T13:30:46","slug":"selbstlernende-cyberphysische-robotersysteme","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projekte\/selbstlernende-cyberphysische-robotersysteme\/","title":{"rendered":"Selbstlernende cyber­physische Roboter­systeme"},"content":{"rendered":"\n\n
\n
\n
\n
\n
\n
\"Beispiel
\u00a9 Fraunhofer IPA; Foto: Rainer Bez<\/figcaption><\/figure>\n<\/div>\n\n\n\n
\n
\"Flexible
\u00a9 Fraunhofer IPA; Foto: Rainer Bez<\/figcaption><\/figure>\n<\/div>\n<\/div>
<\/div>
<\/div><\/div><\/div>\n<\/div><\/div>\n\n\n\n
\n
Bearbeitungszeitraum:<\/strong> 01.04.2020 – 30.03.2021<\/a><\/div>\n<\/div>\n\n\n\n

Selbstlernende cyberphysische Robotersysteme sollen den Weg hin zu einer wirtschaftlichen Montage auch in kleinen Losgr\u00f6\u00dfen ebnen. Durch die Kombination erprobter L\u00f6sungen f\u00fcr die Steuerung von Robotern, fortschrittlicher Physiksimulation und Verfahren des Maschinellen Lernens wird dem Roboter in einer digitalen Umgebung antrainiert, Montageoperationen auszuf\u00fchren. Ziel ist es, den ben\u00f6tigten Programmieraufwand drastisch zu reduzieren sowie den Roboter mit den passenden F\u00e4higkeiten auszustatten, damit er sich prozesssicher an Unsicherheiten und Toleranzen anpassen kann.<\/p>\n\n\n\n

Cyberphysische Robotersysteme zur Steigerung der Wirtschaftlichkeit<\/h4>\n\n\n\n

Die Roboterprogrammierung ist trotz zahlreicher Hilfsmittel, wie beispielweise intuitiver Programmier-Tools, insbesondere f\u00fcr die Produktion <\/a>in kleinen Losgr\u00f6\u00dfen eine erhebliche H\u00fcrde, um wirtschaftlich zu automatisieren. Oft \u00fcberschreitet der daf\u00fcr notwendige Aufwand bereits die rein manuelle Herstellung der Produkte. Methoden des Maschinellen Lernens sollen nun diese zeitaufwendige Roboterprogrammierung \u00fcbernehmen. <\/p>\n\n\n\n

Daf\u00fcr kommt eine anwendungsfokussierte Kombination aus fortschrittlicher Physiksimulation, Bausteinen f\u00fcr die Robotersteuerung und Maschinellem Lernen zum Einsatz. Ausgew\u00e4hlte Lernalgorithmen trainieren den Roboter dabei auch auf alle Arten von Toleranzen und Ungenauigkeiten, die in der Realit\u00e4t vorkommen k\u00f6nnen. Ziel ist es, dem Roboter die flexible Montage beizubringen, um sich auch w\u00e4hrend der realen Prozessausf\u00fchrung an m\u00f6gliche Abweichungen prozessicher anpassen zu k\u00f6nnen. Dabei stehen zun\u00e4chst zwei typische Zielprozesse der Montage im Fokus: <\/p>\n\n\n\n