{"id":6480,"date":"2022-09-22T10:37:49","date_gmt":"2022-09-22T08:37:49","guid":{"rendered":"https:\/\/websites.fraunhofer.de\/stec\/?post_type=projects&p=6480"},"modified":"2023-03-10T14:39:54","modified_gmt":"2023-03-10T13:39:54","slug":"artificial-physics-teacher","status":"publish","type":"projects","link":"https:\/\/s-tec.de\/en\/projekte\/artificial-physics-teacher\/","title":{"rendered":"Artificial Physics Teacher"},"content":{"rendered":"\n\n
\n
\n
\n
\"Artificial
\u00a9 Fraunhofer IPA<\/figcaption><\/figure>\n<\/div><\/div>\n\n\n\n
\n
Bearbeitungszeitraum:<\/strong> 01.05.2019 – 30.08.2019<\/a><\/div>\n<\/div>\n\n\n\n

Physikalische Simulationswerkzeuge spielen eine zentrale Rolle bei der Entwicklung selbstlernender Robotersysteme. Allerdings stellt der sogenannte \u00bbSim2Real-Gap\u00ab ein deutliches Problem beim \u00dcbertragen von der Simulation in die Realit\u00e4t dar. Ziel ist es daher, digital generierte Trainingsdaten der Kr\u00e4fte, die bei der Montage von Reihenklemmen wirken, an die realen Daten anzugleichen. Im Rahmen des Projekts werden dazu neuronale Netze trainiert, welche die Parameter der Simulation anpassen, um den Gap zu reduzieren.<\/strong><\/p>\n\n\n\n

Physiksimulationen werden vermehrt eingesetzt, um Roboter in einer sicheren, digitalen Umgebung f\u00fcr Produktionsprozesse zu programmieren oder zu trainieren. Damit der Roboter die Prozesse erfolgreich erlernen kann, m\u00fcssen die in der Simulation erzeugten Trainingsdaten den realen Prozess repr\u00e4sentieren k\u00f6nnen. Andernfalls kommt es zu Abweichungen beim Transfer von der Simulation in die Realit\u00e4t (Sim2Real-Gap), sodass der Roboter bei der Ausf\u00fchrung in der Realit\u00e4t scheitert. Es gibt verschiedene M\u00f6glichkeiten, um den Transfer von in der Simulation erlerntem Verhalten in die Realit\u00e4t zu erleichtern, darunter die genutzte \u00bbSystem Identification\u00ab oder \u00bbDomain Randomization\u00ab und \u00bbDomain Adaptation\u00ab. <\/p>\n\n\n\n

Ziel des Projekts mit der WAGO Kontakttechnik GmbH & Co. KG ist es, grundlegend die Machbarkeit nachzuweisen, um neuronale Netze f\u00fcr die Auswahl von Simulationsparametern einzusetzen. Die gew\u00e4hlten Parameter beinhalten beispielsweise Reibwerte zwischen einzelnen Kontaktfl\u00e4chen, Steifigkeiten der Bauteile oder sogar den zugrundeliegenden \u00bbSolver\u00ab der Simulationsumgebung. Ob die gew\u00e4hlten Simulationsparameter geeignet sind, wird insbesondere anhand der wirkenden Kontakt- und Montagekr\u00e4fte bewertet. Dazu werden die simulierten Daten mit Kraftdaten aus physischen Roboterexperimenten verglichen.<\/p>\n\n\n\n

Projektablauf<\/h4>\n\n\n\n

Im Rahmen des KI-Fortschrittszentrums k\u00f6nnen interessierte Industrieunternehmen die Machbarkeit f\u00fcr eine Idee oder technische Innovationen mittels K\u00fcnstlicher Intelligenz aus ihrem Unternehmen pr\u00fcfen lassen.<\/p>\n\n\n\n

L\u00f6sungsidee<\/strong>: Neuronale Netze eignen sich sehr gut, um selbst komplexe Zusammenh\u00e4nge modellieren zu k\u00f6nnen, so auch den Einfluss der Physikparameter auf die Datenqualit\u00e4t. Durch den Vergleich mit Daten aus realen, roboter-basierten Prozessen k\u00f6nnen neuronale Netze mittels \u00bbSupervised Learning\u00ab oder \u00bbDeep Reinforcement Learning\u00ab trainiert werden, die passenden Physikparameter f\u00fcr die Simulation von Produktionsprozessen zu ermitteln. Anschlie\u00dfend k\u00f6nnen die neuronalen Netze prozessabh\u00e4ngig passende Parameter der Physiksimulation approximieren, was die Simulation und die Datenqualit\u00e4t deutlich verbessert.<\/p>\n\n\n\n

Umsetzung der KI-Applikation<\/strong>: <\/strong>F\u00fcr das Training der neuronalen Netze werden zun\u00e4chst repr\u00e4sentative Trainingsdaten sowohl aus physischen Experimenten am realen Roboter als auch aus der Physiksimulation heraus erzeugt. F\u00fcr die Simulationsexperimente werden entsprechend die zu betrachtenden Parameter variiert, um deren Einfluss auf das Simulationsergebnis zu erfassen.<\/p>\n\n\n\n

Die Kooperation mit dem Fraunhofer IPA bietet uns die Chance, Kundenprojekte mit einem hohen Individualisierungsgrad wirtschaftlich zu gestalten. Die Verkn\u00fcpfung von unserem Produktwissen mit neuen Technologien in der roboterunterst\u00fctzten Montage erf\u00fcllt die unterschiedlichen Anforderungen unserer Kunden an einen zukunftsf\u00e4higen Schaltschrankbau.<\/p>Dr. Wilhelm Rust, Berechnungsingenieur bei WAGO Kontakttechnik GmbH & Co. KG<\/cite><\/blockquote>\n\n\n\n

Projektnutzen<\/h4>\n\n\n\n