Deep Reinforcement Learning für die simulationsbasierte Montage - Studien-/Abschlussarbeit

Kennziffer IPA-2021-68

Studiengang z.B.:
Automatisierungstechnik; Elektrotechnik; Informatik; Kybernetik; Maschinenbau; Mechatronik; Softwareengineering; technische Informatik

Die Roboterprogrammierung in der Montageautomatisierung ist eine komplexe und zeitintensive Aufgabe, insbesondere für Produkte in kleinen Serien. Ein neuartiger Lösungsansatz für dieses Problem ist das Training von Robotern in modernen Physiksimulationen unter Verwendung von Methoden des Machine Learning. Dabei liefern insbesondere Verfahren des Deep Reinforcement Learning vielversprechende Möglichkeiten für das Training von Montageoperationen aus der Simulation heraus. Durch die Kombination mit vordefinierten Skills für die Kraft- und Positionsregelung des Roboters kann zudem die Dauer des Trainings signifikant verkürzt werden. Im Rahmen der vorliegenden Arbeit soll der Montageprozess von Schalschrankklemmen für das Training definiert und anschließend erlernt werden. Als Trainingsumgebung dient die in der KI-Forschung verbreitete Physiksimulation MuJoCo. Durch kontinuierliche Evaluation der Ergebnisse, Variation der verwendeten Lernalgorithmen und anschließende Optimierung des Lernprozesses wird das Training stetig verbessert.

Aufgabenstellung im weiteren Sinne:
Teil der Arbeit ist die Definition der Lernumgebungen (gym environments) für die anschließende Verwendung mit State-of-the-art Lernalgorithmen (Stable Baselines). Zudem wird ebenfalls die Simulationsumgebung entsprechend vorbereitet und gegebenenfalls angepasst. Anschließend werden die Lernumgebungen um einfache Ansätze der Domain Randomization erweitert. Die Trainingsergebnisse werden kontinuierlich beurteilt und die Lern- bzw. Simulationsumgebungen entsprechend optimiert. Zum Abschluss der Arbeit soll der Montageprozess einfacher Schaltschrankklemmen in der Simulation vollständig erlernbar sein und mit vergleichbaren Bauteilen getestet werden.

Was Sie mitbringen

- Gute Programmierkenntnisse in Python oder C++/C
- Erfahrung mit Deep Reinforcement Learning von Vorteil
- Analytisches Denken, strukturiertes und systematisches Arbeiten
- Eigenständige und verantwortungsbewusste Arbeitsweise
- Hohe Motivation und Eigeninitiative
- Sehr gute Deutsch und/oder Englisch-Kenntnisse


Was Sie erwarten können

Die Aufgabenstellung gliedert sich in die folgenden Arbeitspunkte:
- Einarbeitung in die Physiksimulation und das vorhandene Learning Framework sowie die Lernalgorithmen
- Definition und Implementierung der Lern- und Simulationsumgebungen für das Training der jeweiligen Prozessphasen
- Definition und Implementierung von Ansätzen der Domain-Randomization in die Lernumgebungen
- Training und Evaluation sowie anschließende Optimierung der Prozessausführung unter Variation der verwendeten Lernalgorithmen
(keine Angaben)

Fraunhofer ist die größte Organisation für anwendungsorientierte Forschung in Europa. Unsere Forschungsfelder richten sich nach den Bedürfnissen der Menschen: Gesundheit, Sicherheit, Kommunikation, Mobilität, Energie und Umwelt. Wir sind kreativ, wir gestalten Technik, wir entwerfen Produkte, wir verbessern Verfahren, wir eröffnen neue Wege.

Johanes Kienle
Recruiting
0711 970 1153

Bitte bewerben Sie sich über unser Online-Portal!

Fraunhofer-Institut für Produktionstechnik und Automatisierung
Stuttgart

http://www.ipa.fraunhofer.de

---