
Institut für Robotik und intelligente Produktionssysteme
Laufende Projekte

ALPAKA
In ALPAKA werden Methoden erforscht, die es Robotersystemen ermöglichen, sich auf neue Aufgaben im produktionstechnischen Umfeld flexibel anzupassen. Hierbei wird ein Repräsentationslernmodul entwickelt, welches das Lernen von Kontaktmodellen durch Einbindung von Vorwissen in Form von Geometrie, Material und DGL ermöglicht. Über das geschätzte Kontaktmodell kann dann die Kraftregelung mit traditionellen Methoden der Reglersynthese automatisiert ausgelegt und zum Fügen genutzt werden.

ADeMoRos
Ziel des Projekts ist die Entwicklung intelligenter Softwareservices, die Robotersysteme in die Lage versetzen, auf Basis von CAD- und Umweltdaten eigenständig Montage- und Demontageprozesse zu planen und auszuführen. Angesichts steigender Anforderungen an Ressourceneffizienz und Automatisierung soll eine durchgängige, autonome Lösung entstehen – ohne manuelle Programmierung. Hierzu werden neuartige Algorithmen entwickelt, die symbolische KI-Verfahren mit datengetriebenen Methoden kombinieren: Während symbolische Ansätze Transparenz und physikalische Modellintegration ermöglichen, reduzieren datenbasierte Verfahren die Komplexität bei schwierigen Aufgabenstellungen. Die generierten Abläufe werden automatisiert in Roboterprogramme überführt und in eine modulare Softwarearchitektur integriert. So entsteht ein flexibles System, das autonome, kooperative Roboterinteraktionen für Montage und Demontage ermöglicht.

iTENDO
Das Projekt iTENDO erforscht innovative Methoden zur Verarbeitung von Schwingungsdaten in der spanenden Fertigung. Ziel ist es, zentrale Prozesszustände wie Werkstückqualität, Werkzeugverschleiß oder Rattern zuverlässig vorherzusagen.
Besonderer Wert wird auf die industrielle Anwendbarkeit der entwickelten Technologien gelegt. In Kooperation mit dem Unternehmen SCHUNK wurde dafür der intelligente Werkzeughalter iTENDO eingesetzt. Dieses Sensor-System ermöglicht eine besonders prozessnahe und nicht-invasive Erfassung von 1D-Beschleunigungsdaten – direkt am Werkzeug. So lassen sich bestehende Werkzeugmaschinen einfach nachrüsten und die erarbeiteten Technologien praxisnah testen.
Ein Schwerpunkt liegt auf der datenbasierten Zustandsvorhersage mithilfe moderner Signalverarbeitung und KI. Zum Einsatz kommt unter anderem eine Kombination aus Short-Time Fourier Transformation (STFT), automatischer Merkmalsextraktion über eine Transformer-inspirierte CNN-Architektur sowie ein LSTM-Modell zur Klassifikation der Prozesszustände.

ISASDeMoRo
Im Projekt ISASDeMoRo werden innovative Technologien zur Autonomiebildung erforscht, die es Robotersystemen erlauben Montage- und Demontageoperationen selbstständig durchzuführen. Hierzu wird ein feinfühliges Sensor-Aktor-System entwickelt, welches es ermöglicht Prozessgrößen, wie Kräfte und Momente sowie Kameradaten zu erfassen, diese zu fusionieren und hochdynamisch regelnd auf das Sensor-Aktor-System und den Roboter einzuwirken. Mittels Repräsentationslernen werden verschiedene Montageoperationen generalisierend modelliert, sodass die einzelnen Fähigkeiten auf verschiedene, bestehende und neue Robotersysteme und Prozesse modular übertragbar sind. Das Einrichten des Prozesses erfolgt über symbolische Anweisungen, sodass kein Expertenwissen notwendig ist und somit der zeit- und kostenintensive Anteil einer Automatisierung nahezu entfällt. Die Kombination aus hoher Prozessdynamik und Generalisierung durch Repräsentationslernen, gepaart mit einfacher Parametrierung des Prozesses, könnte die aktuellen Hemmnisse zum wirtschaftlichen Einsatz von Robotersystemen in der Montage und Demontage überwinden und so einen Wettbewerbsvorsprung in der Produktionstechnik durch autonome Robotik einleiten.

KIDWAP
Die zunehmende Komplexität moderner Fahrzeuge mit bis zu 180 Steuergeräten stellt die Automobilindustrie vor erhebliche Herausforderungen bei der digitalen Wertschöpfung. Prozesse wie ECU-Flashen, individuelle Konfiguration und Fahrzeuginbetriebnahme erfordern die präzise Beachtung komplexer Abhängigkeiten, Reihenfolgen und Randbedingungen. Traditionelle, manuelle Ansätze zur Prozessmodellierung und Qualitätssicherung stoßen bei der wachsenden Variantenvielfalt und steigenden Produktionskomplexität an ihre Grenzen. Das Projekt basiert auf einer dreistufigen, integrierten Methodik, die künstliche Intelligenz systematisch zur Analyse und Optimierung der digitalen Wertschöpfung in der Automobilproduktion einsetzt. Diese Methodik kombiniert datengetriebene Prozessmodellierung, generative KI-Technologien und intelligente Anomalieerkennung zu einem kohärenten Lösungsansatz.

MERLIN
Aktuelle Verfahren im Bereich des maschinellem Lernens nutzen immer größere Modelle und benötigen hierdurch bedingtimmer größere Rechenkapazitäten, was neben dem Energiebedarf auch die Trainings- und Inferenzzeit stark erhöht. Durch die Nutzung moderner, analoger Computerarchitekturen können dies Defizite jedoch reduziert werden.
MERLIN beschäftigt sich mit den Potentialen von analogen Computern in den Bereichen der Robotik und des Maschinellen Lernens. Neben der Umsetzung von klassischen Steuerungsalgorithmen werden künstliche neuronale Netze mittels analoger Technik umgesetzt.