Gemeinsam mit wissenschaftlichen Partnern und Universitäten erforschen wir modernste Machine-Learning-Verfahren, Robotik-Simulationen und erklärbare KI-Methoden. Noch nicht alle Forschungsergebnisse sind Teil der heutigen TRYB-Plattform – hier geben wir einen Einblick in unsere geförderten Initiativen.
In Kooperation mit der Technischen Universität Chemnitz wird eine simulationsgestützte Trainingsplattform für intelligente Fertigungsroboter entwickelt. Anders als ein Training in der Realität kann dieses virtuelle Vortraining um ein Vielfaches beschleunigt werden.
Die Ergebnisse des virtuellen Trainings können auf den realen Roboter übertragen werden, der anschließend nur noch für einen Bruchteil der derzeit benötigten Zeit in realer Umgebung nachtrainiert werden muss.
In diesem Projekt soll ein innovatives System erforscht werden, das auch Nicht-Experten ermöglicht, komplexe Roboterprogramme ohne vorherige Programmierkenntnisse zu erstellen. Dies wird durch die Nutzung fortschrittlicher Sprachmodelle erreicht.
Sprachmodelle bergen das Potenzial, Roboterprogramme direkt aus natürlichsprachigen Anweisungen zu generieren. Ergänzend dazu wird Reinforcement Learning an einem digitalen Zwilling der Roboterzelle eingesetzt, um komplexe Bewegungsabläufe zu trainieren, die durch das Sprachmodell nicht generiert werden können.
Ziel ist es, die Barrieren beim Einsatz der Robotik zu überwinden und die Produktionsflexibilität insbesondere für individuelle Kundenanforderungen zu erhöhen. Als Ergebnis des Projekts entsteht ein Demonstrator, der die Basis für ein kommerziell nutzbares Softwareprodukt bildet.
Rund um die Erleichterung der Entwicklung von KI-Systemen in bayerischen KMUs wird im Rahmen dieses Projekts ein KI-Werkzeug in Form einer interaktiven und kontrollierten Automatisierung des gesamten Lebenszyklus von maschinellem Lernen erforscht.
Der Fokus liegt dabei auf zwei industriell relevanten Anwendungstypen, wobei Bild- und Zeitreihendaten besondere Herausforderungen in Bezug auf die Datenvorverarbeitung und das Training darstellen. Durch die Integration von Methoden des erklärbaren, kollaborativen, teilautomatisierten maschinellen Lernens (AutoML) und Qualitätskontrollen sollen Transparenz und Vertrauen in automatisierte ML-Prozesse erhöht werden.
Die Hauptelemente des Projekts sind eine umfangreiche Anforderungsanalyse, die Entwicklung eines Demonstrators sowie die Durchführung von Nutzerstudien zur Validierung und Optimierung der Effektivität und Anwendbarkeit.
