Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Simulations-basiertes Maschinelles Lernen in der Robotik und Automatisierungstechnik

Simulation-driven machine learning for robotics and automation
 
: El-Shamouty, Mohamed; Kleeberger, Kilian; Lämmle, Arik; Huber, Marco

:

Technisches Messen : TM 86 (2019), Nr.11, S.673-684
ISSN: 0340-837X
ISSN: 0171-8096 (Print)
ISSN: 2196-7113 (Online)
Englisch
Zeitschriftenaufsatz
Fraunhofer IPA ()
Automatisierung; Bestärkendes Lernen; künstliches neuronales Netzwerk; Künstliche Intelligenz; maschinelles Lernen; Mass Personalization; Robotik; Simulation

Abstract
Die Massenpersonalisierung – ein Megatrend in der industriellen Fertigung und Produktion – erfordert eine schnelle Anpassung von Robotik- und Automatisierungslösungen an immer kleinere Losgrößen. In dieser Arbeit werden die Herausforderungen der roboterbasierten Automatisierung in einer hochgradig individualisierten Produktion aufgezeigt. Um diesen Herausforderungen zu begegnen, wird ein Framework vorgeschlagen, welches neueste Methoden des maschinellen Lernens (ML), wie beispielsweise Deep Learning, mit High-End-Physiksimulationen kombiniert. ML dient zur Programmierung und Parametrierung von Maschinen für eine bestimmte Produktionsaufgabe mit minimalem menschlichen Eingriff. Wenn die Simulationsumgebung physikalische Eigenschaften wie Kräfte oder Elastizität der realen Welt realitätsnah erfasst, stellt sie eine hochwertige Datenquelle für ML dar. Dabei werden neue Aufgaben in der Simulation schneller als in Echtzeit gemeistert, während gleichzeitig bestehende Aufgaben ausgeführt werden. Die Funktionalität des simulationsgesteuerten ML-Frameworks wird anhand eines industriellen Anwendungsfalls demonstriert.

 

Mass personalization-a megatrend in industrial manufacturing and production-requires fast adaptations of robotics and automation solutions to continually decreasing lot sizes. In this paper, the challenges of applying robot-based automation in a highly individualized production are highlighted. To face these challenges, a framework is proposed that combines latest machine learning (ML) techniques, like deep learning, with high-end physics simulation environments. ML is used for programming and parameterizing machines for a given production task with minimal human intervention. If the simulation environment realistically captures physical properties like forces or elasticity of the real world, it provides a high-quality data source for ML. In doing so, new tasks are mastered in simulation faster than in real-time, while at the same time existing tasks are executed. The functionality of the simulation-driven ML framework is demonstrated on an industrial use case.

: http://publica.fraunhofer.de/dokumente/N-562376.html