Kollaborative Robotik
Forschung
Unsere Gruppe ist eine gemeinsame Initiative der Universität Bielefeld und des Fraunhofer IOSB-INA in Lemgo. Wir sind Teil des Forschungszentrums Cognitive Interaction Technology (CITEC) und der Technischen Fakultät der Universität Bielefeld. Unser Fokus liegt auf dem intuitiven Einsatz kollaborativer Robotersysteme in der Manipulation und Montage. Dabei konzentrieren wir uns insbesondere auf rekonfigurierbare und modulare Roboter, intelligenten Produkttransport und deren neuronale Steuerung und Regelung in sicherer Interaktion mit menschlichen Produktionsteilnehmern.
Magnetische Levitation
Unsere Planarmotorsysteme bestehen aus mobilen Permanentmagneten (sogenannten “Movers”) und statischen Motormodulen (den “Tiles”). Während des Betriebs schweben die Movers über den Tiles und lassen sich durch Anpassung der Ströme in den in den Tiles enthaltenen Spulen in sechs Dimensionen steuern. Wir arbeiten daran, die elektromagnetische Steuerung mithilfe neuronaler Netzwerke umzusetzen. Um die Berechnungen in Echtzeit durchzuführen, ist eine Beschleunigung durch GPUs erforderlich. Bewegungplanung und Objektmanipulation stellen dabei aktive Forschungsfelder dar.
XTS
Das XTS ist ein Linearmotorsystem, das häufig in der Industrie eingesetzt wird, z. B. in der Lebensmittelverpackung. Die Movers können individuell bewegt und zentral auf dem Schienensystem gesteuert werden. Derzeit müssen die Bewegungen in einem zeitaufwändigen Prozess umgesetzt werden. Wir arbeiten daran, die Koordination der Movers mithilfe von maschinellem Lernen zu verbessern. Weitere Forschungsbereiche umfassen beispielsweise die Verschleißerkennung.
T-IRMA
Transformer-basiertes Imitationslernen für robotergetriebene Montage-Anwendungen
Klein- und mittelständische Unternehmen (KMU) stehen vor großen Herausforderungen, vor allem durch den Fachkräftemangel, der dem demographischen Wandel geschuldet ist. Flexible Automatisierung und Robotik werden als vielversprechende Lösungen betrachtet, jedoch fehlen KMUs oft die Expertise und finanzielle Mittel zur Umsetzung. Einfache, robuste und kostengünstige Automatisierungssysteme, die speziell für KMUs entwickelt werden, sind daher notwendig. Das Projekt zielt darauf ab, Imitationslernalgorithmen basierend auf Transformer-Architekturen zu entwickeln, um manipulative Fähigkeiten von Experten auf robotergestützte Montageprozesse zu übertragen. Diese Technologien sollen es KMUs ermöglichen, kostengünstige Roboterzellen zu nutzen, die direkt aus Demonstrationen lernen, wodurch der Entwicklungsaufwand erheblich reduziert wird.
enableATO
Der ländliche Raum benötigt dringend neue Mobilitätskonzepte, um die Bedürfnisse der Bevölkerung zu erfüllen. Das Projekt "enableATO" wird einen bedeutenden Beitrag dazu leisten. Dieses Projekt, das am RailCampus OWL in Minden angesiedelt ist und Teil des Deutschen Zentrums Mobilität der Zukunft (DZM) ist, zielt darauf ab, durch automatisierte, schienenbasierte Mobilitätskonzepte eine nachhaltige und vernetzte Mobilität zu ermöglichen.
Ein breites Konsortium aus Hochschulen, Fraunhofer-Einrichtungen und Unternehmen wird in den kommenden Jahren Technologien vorantreiben, die eine effiziente Nutzung der vorhandenen Infrastruktur ermöglichen und gleichzeitig den Komfort und die Qualität der Dienstleistungen verbessern. Fahrerlose Transportsysteme wie das MONOCAB werden in Minden und im Extertal demonstriert, um sie anschließend in einem Testregelbetrieb einzusetzen.
Unter der Leitung von Thomas Günther und József Lurvig widmen wir uns aktiv zwei bedeutenden Arbeitspaketen (AP) des Projekts: AP 1.1.2 Umfeld- und Hinderniserkennung sowie AP 1.1.3 Terrain-Simulation.
Die Umfeld- und Hinderniserkennung ist von entscheidender Bedeutung für die Sicherheit und Effizienz des automatisierten Bahnverkehrs. Unsere Zielsetzung ist die Entwicklung innovativer Technologien, welche es dem Fahrzeug ermöglichen, relevante Informationen in Echtzeit zu erfassen und zu interpretieren. Dies umfasst die Erkennung von Hindernissen entlang der Schienen, die Identifikation von Signalen sowie die Anpassung der Geschwindigkeit entsprechend den gegebenen Umgebungsbedingungen. Die erfolgreiche Umsetzung dieser Ziele erfordert die nahtlose Integration verschiedener Sensoren, deren Leistungsfähigkeit an einem Testfahrzeug validiert werden muss. Die reichhaltigen Realdaten, welche durch die Testfahrten generiert werden, werden ergänzt durch die simulierten Daten aus der Terrain-Simulation. Diese Daten dienen als Grundlage für die Entwicklung einer KI-basierten Umfeld- und Hinderniserkennung.
