Studien-/Abschlussarbeit - Optimierung von Roboteranw. mittels maschinellen Lernens und KI-Methoden

Ausschreibung für die Fachrichtung wie z. B.: Automatisierungstechnik, Elektrotechnik, Informatik, Kybernetik, Maschinenbau, Mechatronik oder vergleichbare. Der Forschungsbereich „Automatisierung und Robotik“ gestaltet Automatisierungslösungen für industrielle Anwendungen. Der „Griff-in-die-Kiste“ gilt seit Jahren als Königsdisziplin in der Robotik und steht für die Vereinzelung von chaotisch gelagerten Werkstücken mit Robotern. Die am Fraunhofer IPA entwickelte und mehrfach industriell eingesetzte Software „Bin Picking 3D – bp3™“ ermittelt die Objektlage unter Verwendung von CAD-Modellen und 3D-Sensorinformationen, identifiziert geeignete Greifpunkte und generiert kollisionsfreie Pfade zur Entnahme und definierten Ablage von Bauteilen. Eines der aufkommenden wichtigen Themen steht unter dem Motto „Automatisierung der Automatisierung“. Hier entstehen mehr und mehr Lösung zur effizienten, ressourcenschonenden und kostenreduzierten Umsetzung von Produktionsprozesses. Im Rahmen des Bin Pickings bietet das Fraunhofer IPA bereits heute hierfür virtuelle Machbarkeitsstudien an. Grundlage hierfür ist eine simulative Abbildung eben dieser Bin-Picking-Zelle (Stichwort Digitaler Zwilling). Der nächste logische Entwicklungsschritt ist die automatische Optimierung der Zellen mittels simulationsbasierten Lernalgorithmen. Hierbei soll mit der Simulationsumgebung interagiert werden um die optimale Konfiguration bzgl. Roboter, Greifer, Kamera, Positionen im Raum usw. zu erhalten. Mögliche Ansätze umfassen hierbei das Reinforcement Learning, Bayes'sche Optimierung oder Evolutionsalgorithmen. Hier sorgen Sie für Veränderung Einarbeitung und Recherche zu den Themen Bin Picking sowie Optimierungsalgorithmen Einarbeitung in NVIDIA Isaac Sim und NVIDIA Omniverse Literatur-Recherche zu Bayesian Optimisation und Genetische Algorithmen für Multi-Objectiv und Mixed-Space Anwendungen und vergleichbaren Algorithmen Erweiterung des bisherigen Models um zusätzliche Optimierungsgrößen und Key Performance Indikatoren Integration der vorhandenen automatischen Greifergenerierung in den Optimierungsprozess Verbesserung der Optimierungsalgorithmen basierend auf den zusätzlichen Funktionen Analyse und Bewertung der Optimierungen