Kompetenzen

Deep Robotic Grasping

Der Ansatz des Deep Grasping in der Robotik nutzt Deep Learning, um Roboter zu befähigen Objekte sicher und effizient greifen zu können. Dabei erfassen Sensoren Echtzeitdaten, die Algorithmen zur Objekterkennung und Bewegungssteuerung verarbeiten. Diese Methode ermöglicht es Robotern, sich an neue und unbekannte Objekte anzupassen, ohne dass umfangreiche manuelle Programmierung erforderlich ist. Durch kontinuierliches Lernen und Anpassen verbessert sich die Genauigkeit und Flexibilität des Greifens im Laufe der Zeit.

Next-Best-View Planning

Next-Best-View Planning in der Robotik bezieht sich auf die strategische Berechnung der optimalen Sensorposition, um vollständige und präzise 3D-Modellierungen einer Szene zu erfassen. Dieser Ansatz nutzt Algorithmen zur Analyse von Sensordaten, um Positionen zu identifizieren, die neue und informative Sichtfelder bieten. Durch die kontinuierliche Anpassung und Optimierung der Kamerapositionen wird die Abdeckung der Szene maximiert, was zu effizienteren und genaueren Datenerfassungen führt. Dies ist besonders wichtig für Aufgaben wie das autonome Navigieren, Inspektion und Objekterkennung.

Sensordatenfusion

Die Sensordatenfusion in der Robotik beschäftigt sich mit der Verknüpfung von Informationen unterschiedlicher Sensortypen, um präzise und konsistente Umweltmodelle zu erstellen. Dies steigert die Zuverlässigkeit und Genauigkeit der Roboterwahrnehmung, indem redundante Daten reduziert und ergänzende Informationen miteinander kombiniert werden. Dabei kommen Algorithmen wie Kalman-Filter, Particle-Filter und neuronale Netze zum Einsatz. Diese Ansätze verbessern die Fähigkeit von Robotern erheblich, sich in dynamischen und unstrukturierten Umgebungen sicher zu bewegen und effektiv zu agieren.

Foundation Modelle

Foundational Models (Grundlagenmodelle) repräsentieren in der Robotik einen innovativen Ansatz, um die Vielseitigkeit von Robotern durch den Einsatz großskaliger, multimodaler KI-Modelle zu erweitern. Diese Modelle basieren auf neuronalen Netzwerken, die über eine Vielzahl von Datensätzen und Aufgaben hinweg trainiert werden und dadurch generalisierte Fähigkeiten entwickeln. Im Gegensatz zu spezialisierten Systemen, die ausschließlich für einzelne Aufgaben optimiert sind, bieten Foundational Models eine hohe Flexibilität und Anpassungsfähigkeit. Sie verarbeiten multimodale Eingaben wie Text-, Bild- und Sensordaten und ermöglichen es Robotern, unterschiedliche Aktionen auszuführen. Dank Transfer Learning können einmal erlernte Fähigkeiten aus einer Domäne auf andere Aufgaben übertragen werden, sodass ein Roboter mehrere Aufgaben bewältigen kann, ohne für jede einzeln trainiert werden zu müssen.

Generative Modelle

Generative Modelle lernen die zugrunde liegenden Muster realer oder synthetischer Trainingsdaten, um neue, realistische Beispiele zu erstellen. Eine besondere Form dieser Modelle, sogenannte Diffusionsmodelle, transformiert in mehreren Iterationsschritten zufälliges Rauschen in strukturierte Daten. Wir untersuchen, wie solche Modelle nicht nur die Qualität und Vielfalt synthetischer Daten steigern, sondern auch klassische Algorithmen in Bereichen wie Pfadplanung, Zukunftsprognosen und Sensorfusion in der Robotik ablösen können. Dieser innovative Ansatz macht generative Modelle zu leistungsstarken Werkzeugen, die komplexe Herausforderungen in der Robotik adressieren und gleichzeitig die Wahrnehmung, Navigation sowie autonome Entscheidungsfindung erheblich verbessern.

Anomaliedetektion

Eine Anomalie wird in der Regel als seltenes Event definiert. Das Training eines Klassifikators ist bei dieser Aufgabe nicht von Nutzen, da ein starkes Klassenungleichgewicht in den Daten vorherrscht. In den meisten öffentlich zugänglichen Datensätzen fehlen Anomalien in den Trainingsdaten gänzlich. Es bietet sich daher an, ein Modell zu trainieren, das dessen Eingangsdaten rekonstruieren kann. Da das Modell während dem Training lediglich den Nominalzustand kennenlernt, kann es Anomalien schlecht rekonstruieren. Der Rekonstruktionsfehler ist daher ein geeigneter Indikator, ob eine Anomalie vorliegt. Durch das Setzen eines geeigneten Schwellenwertes wird aus dem errechneten Fehler ein binäres Signal erstellt. Dadurch kann die Genauigkeit des Modells dadurch bestimmt werden, was die Grundlagen für einen Vergleich mit anderen Ansätzen schafft.