23, 2018, 42-44
Selbstlernende adaptive Robotersteuerung: Kontinuierliche Bewegungsplanung für Industrieroboter auf Basis von Sensordaten

Bibtex

@Article{Meyes+Scheiderer+Thiele+Meisen,
 year    = "2018", 
  issue    = "2", 
  journal    = "23", 
  pages    = "42-44", 
  title    = "Selbstlernende adaptive Robotersteuerung: Kontinuierliche Bewegungsplanung für Industrieroboter auf Basis von Sensordaten", 
  author    = "Richard {Meyes}, Christian {Scheiderer}, Thomas {Thiele} und Tobias {Meisen}", 
  doi    = "https://doi.org/10.30844/FS18-2_42-14", 
  abstract    = "Der Prozess der Bewegungsplanung für Industrieroboter stellt eine komplexe Aufgabe dar, die häufig manuell von Domänenexperten durchgeführt wird und zu Lösungen führt, denen es an Flexibilität und Anpassungsfähigkeit zur Reaktion auf dynamische Umgebungseinflüsse mangelt. Dieses Problem lässt sich durch einen automatisierten Steuerungsagenten adressieren, der mit Hilfe eines künstlichen neuronalen Netzes und Reinforcement-Learning zur adaptiven und kontinuierlichen Bahnplanung befähigt wird. Der Agent lernt auf Basis seiner Wahrnehmung des Arbeitsraumes, welche durch Kamerabilder und ein Stromsignal gegeben ist, und ist hierdurch in der Lage, allgemeine Strategien für die Bewegung zu erlernen und umzusetzen. Neben der adaptiven Bewegungssteuerung ermöglicht dieser Ansatz dem Agenten auf sich ändernde Variationen der Umgebung und unkontrollierbare dynamische Umgebungseinflüsse zu reagieren und trägt dazu bei, die Zeit und Kosten von Ramp Up-Prozessen zu reduzieren.", 
  keywords    = "Kontinuierliche Bewegungen, Industrieroboter, Reinforcement Learning, künstliche neuronale Netze, Kamerabilder, selbstlernende Systeme, dynamische Prozessbedingungen, adaptive Regelung", 
}

Abstract

Abstract

Der Prozess der Bewegungsplanung für Industrieroboter stellt eine komplexe Aufgabe dar, die häufig manuell von Domänenexperten durchgeführt wird und zu Lösungen führt, denen es an Flexibilität und Anpassungsfähigkeit zur Reaktion auf dynamische Umgebungseinflüsse mangelt. Dieses Problem lässt sich durch einen automatisierten Steuerungsagenten adressieren, der mit Hilfe eines künstlichen neuronalen Netzes und Reinforcement-Learning zur adaptiven und kontinuierlichen Bahnplanung befähigt wird. Der Agent lernt auf Basis seiner Wahrnehmung des Arbeitsraumes, welche durch Kamerabilder und ein Stromsignal gegeben ist, und ist hierdurch in der Lage, allgemeine Strategien für die Bewegung zu erlernen und umzusetzen. Neben der adaptiven Bewegungssteuerung ermöglicht dieser Ansatz dem Agenten auf sich ändernde Variationen der Umgebung und unkontrollierbare dynamische Umgebungseinflüsse zu reagieren und trägt dazu bei, die Zeit und Kosten von Ramp Up-Prozessen zu reduzieren.

Keywords

Schlüsselwörter

Kontinuierliche Bewegungen, Industrieroboter, Reinforcement Learning, künstliche neuronale Netze, Kamerabilder, selbstlernende Systeme, dynamische Prozessbedingungen, adaptive Regelung

References

Referenzen

[1] International Federation of Robotics (IFR), Executive Summary World Robotics 2017 Industrial Robots (2017).
[2] Andrew G. Barto, Richard S. Sutton, Reinforcement Learning: An Introduction, Second Edition (2017).
[3] Universal Robots, UR5 Technical specifications (2016).
[4] Richard Meyes, Christian Scheiderer, Tobias Meisen, Continuous Motion Planning for Industrial Robots based on Direct Sensory Input (2018), Procedia CIRP (to be published)

GITO events | library.gito