Aktuelles
AG Cognitive Systems Engineering
2023
Best-Paper Award für Veröffentlichung zur Spezifikation von Robotiksystemen
05.2023
Wie spezifiert man Robotiksysteme und deren Interaktion mit Menschen?
Überraschenderweise ist das in Zeiten von Cobots und humanzentrierter Automation ein hoch relevantes, aber nur wenig erforschtes Thema. Gemeisam mit Minh Nugyen und Prof. Dr. Hochgeschwender widmet sich die AG CSE dieser Thematik. Unsere Veröffentlichung einer Analyse der öffentlich einsehbaren Spezifikationen von Roboterwettbwerben wie RoboCup@Work oder der HEART-MET Challenge des METRICS EU Projektes und der Repräsentation dieser Anforderungen in Form von Szenarien für das Behavior-Driven Development wurde dabei mit dem Best Paper Award des 5th International Workshop on Robotics Software Engineering (RoSE’23) gwürdigt, der als Teil der International Conference on Software Engineering im Mai 2023 stattgefunden hat.
Eine Kopie des Papers ist im Pub-System der Universtätsbibliothek zu finden.
Humanzentrierte Automation: Ministerin besucht Verbundlabor zu KI-basierten Cobots in der Montage
02.2023
Steigende Energiepreise, belastete Lieferketten sowie der Mangel an Fachkräften stellen derzeit auch die mittelständischen Unternehmen vor Herausforderungen. Die Regionen brauchen Leistungs- und Transferzentren, die mit neuen Entwicklungen und den richtigen Angeboten und Lösungen für Resilienz und Standortsicherung im Mittelstand sorgen können. Wie und wie gut solche Orte Wissenschaft und Wirtschaft zusammenbringen, wollte Mona Neubaur, seit 2022 Ministerin für Wirtschaft, Industrie, Klimaschutz und Energie des Landes Nordrhein-Westfalen, am 12. Januar begutachten. In Lemgo besuchte sie Vertreter*innen der Universität Bielefeld und des Fraunhofer IOSB-INA und informierte sich, wie die Vernetzung zwischen anwendungsorientierter Forschung und Industrie standortübergreifend funktionieren kann.
Neubaur besichtigte hierfür auch das Humation Collaboratory.OWL – das neue gemeinsame Forschungslabor für KI-basierte kollaborative Robotik der Universität Bielefeld und des Lemgoer Fraunhofer-Instituts an dem auch die Arbeitsgruppe Cognitive Systems Engineering der Technischen Fakultät beteiligt ist. Als gemeinsame Hardwareplattform stehen neben 3D Druckern für das Prototyping zwei Franka Research 3 Roboter mit zusätzlicher Sensorik zur Verfügung, die in einem Dual-Arm Setup in einem assistieren Montagearbeitsplatz verschiedene Tätigkeiten kooperativ oder kollaborativ mit Menschen durchführen können. Der Aufbau des Labors an den Standorten Lemgo und Bielefeld wurde mit knapp einer halben Million Euro vom Land Nordrhein-Westfalen gefördert.
Das Forschungsteam des Verbundlabors besteht aktuell aus Mitarbeiter*innen der AG Cognitive Systems Engineering, Kolleg*innen der Gruppen Kognitronik und Sensori der Technischen Fakultät un der Gruppe Assisstenzsysteme am Fraunhofer IOSB-INA. Das Team stellte als beispielhaften Anwendungsfall einen Prozess-Schritt in der Produktion von Wärmepumpen des Herstellers Stiebel Eltron vor, bei der Menschen durch einen intelligenten Roboter in der Ausführung von Montagetätigkeiten kooperativ unterstützt werden. So können Teilschritte automatisiert, dem Mangel an Fachkräften begegnet und damit die Produktivität bei der aktuell steigenden Nachfrage erhöht werden.
ICRA2023 Veröffentlichung zu Greybox Learning für die sensorbasierte Montage
01.2023
Das autonome Lernen von Manipulationsaufgaben durch Robotersysteme ist ein vielversprechender Ansatz, um den manuellen Engineering-Aufwand in der Programmierung komplexe Montageaufgaben zu reduzieren und die Flexibilität in der Zukunft der industriellen Fertigung zu erhöhen. Obwohl in diesem Bereich bereits viel geforscht wurde, stellen vor allem robotische Montageaufgaben, die eine kontaktreiche, nachgiebige Interaktion erfordern, eine Herausforderung für lernbasierte Methoden dar, da große Mengen an Interaktionsdaten benötigt werden. Die Einbeziehung von Vorwissen wird seit langem als eine Möglichkeit gesehen, lernbasierte Ansätze praktikabel zu machen. Die Frage ist, wie können wir Prozessexperten in die Lage versetzen, ihr Vorwissen in Grey-Box-Modellen zu kodieren, so dass es für das Lernen von Robotermanipulationsaufgaben verwendet werden kann?
Aus diesem Grund schlagen wir einer aktuellen Publikation auf der ICRA Konferenz einen neuen Grey-Box-Lernansatz vor, sog. "Adaptive Manipulation Primitives" (AMP), welche modellbasierte Spezifikationen von Manipulationsaufgaben mit Policy Gradient Reinforcement Learning kombinieren. In einem realen Anwendungsfall aus der produzierenden Industrie wird gezeigt, dass das Erlernen der Montage von industriellen Steckermodulen mit vergleichsweise wenigen Versuchen in der realen Welt möglich ist und mit hoher Robustheit die notwendigen Fügevorgänge automatisiert werden können.
Informationen zur Veröffentlichung sind im Pub-System der Universtätsbibliothek zu finden.