Einleitung

Bürstenlose Gleichstrommotoren (BLDC-Motoren) sind aufgrund ihrer geringen Kosten und leichter Regelbarkeit weit verbreitet. Viele BLDC-Motoren haben zur Positionsbestimmung des Rotors eingebaute Hall-Sensoren. Diese können die Position bei niedrigen Geschwindigkeiten allerdings nicht in ausreichender Auflösung bestimmen, wodurch eine stotternden Bewegung des Motors verursacht wird. Um eine genauere Auflösung der Position zu erreichen, haben wir ein neues Verfahren entwickelt. Dabei wird das Magnetfeld des Rotors mit einem externen Magnetfeld-Sensor gemessen. Diese Messungen werden verwendet um mit Hilfe eines stochastischen Filters die momentane Position und Geschwindigkeit des Rotors zu schätzen.

Aufgaben

Der Schwerpunkt des Projekts kann entweder auf der Theorie oder der praktischen Anwendung liegen. Von der theoretischen Seite liegt das Hauptaugenmerk auf der Modellierung des Rotor-Magnetfelds. Hier wäre eine Möglichkeit, ein bereits existierendes Gaußprozess-Verfahren zu erweitern. Eine andere Option wäre eine Modellierung basierend auf Bayesian Learning oder RBF Networks zu entwickeln.  Auf Anwendungsseite kann des Verfahrens auf Embedded Computer, wie z. B. einem Raspberry Pi, umgesetzt werden. Für beide Optionen wurden bereits Datensätze aufgenommen, die direkt verwendet werden können. Ebenso besteht jederzeit die Möglichkeit an unserem Testaufbau neue Daten zu generieren.

Dieses Projekt findet aufgrund fehlenden Gewissheit über die Möglichkeit von Teamarbeit vor Ort nicht statt.

Einleitung

Bei sogenannten optischen Sortierern werden Teilchen auf Basis visueller Eigenschaften klassifiziert. Bei der Anlage, so wie sie vom Fraunhofer IOSB lizenziert wird, werden durch richtiges Timing und gezieltes Aktivieren von Druckluftdüsen eine Klasse der Teilchen „ausgeblasen“, um so die beiden Klassen voneinander zu trennen.

Aktuell wird am ISAS ein kleiner Sortierer in Form eines Rutschensortierers aufgebaut. Im Rahmen dieses Praktikums soll sein neuer Ansatz zur Separation erprobt werden. Hierbei sollen eine Art von "mechanischen Fingern" umgesetzt werden. Es sollen also harte Objekte in den Flugpfad der Teilchen bewegt werden, die dann bestimmte Teilchen ablenken. Da nur bestimmte Teilchen (und nicht alle) abgelenkt werden sollen, müssen schnelle Reaktionszeiten erreicht werden.

Diese Ausschreibung ist besonders für interdisziplinäre Teams, die auch Studierende des Maschinenbaus beinhalten, geeignet.

Aufgaben

• Recherche zu Möglichkeiten zur mechanischen Ablenkung von Partikeln
• Planung einer Hardwareumsetzung inklusive Festlegung der Bauteile
• Umsetzung in Hardware
• Umsetzung einer einfachen Möglichkeit zur Ansteuerung

Einleitung

Bei optischen Bandsortierern werden Teilchen wie Recyclingmaterial oder Lebensmittel auf Basis visueller Eigenschaften getrennt, indem die Teilchen einer Klasse durch richtiges Timing und gezieltes Öffnen von Druckluftventilen „ausgeblasen“ werden. Hierzu ist es notwendig, die Position und den Zeitpunkt der Teilchen am Düsenbalken vorherzusagen (zu prädizieren).

Um akkurate Prädiktionen zu ermöglichen, haben wir kürzlich vorgeschlagen, die Teilchen auf dem Band mit einer Flächenkamera zu beobachten und so deren Trajektorien mittels Multitarget-Tracking-Verfahren zu rekonstruieren. Hierzu wird aktuell ein Kalman-Filter-basierter Ansatz verwendet. Dessen Genauigkeit ist stark von den gewählten Hyperparametern, wie dem eingesetzten Bewegungsmodell sowie dem Mess- und Prozessrauschen, abhängig. Diese wiederum hängen u. A. vom eingesetzten Schüttgut ab. In dieser Arbeit sollen Methoden zur automatischen Einstellung der Hyperparameter des Kalman-Filters z. B. mittels adaptiver oder lernender Verfahren untersucht werden. Ziel ist eine automatische Anpassung der Hyperparameter zur Laufzeit.

Aufgaben

• Einarbeitung in das bestehende Multitarget-Tracking-System
• Recherche zum Stand der Technik zu adaptiven/lernenden Verfahren zur Einstellung der Hyperparameter des Filters
• Implementierung favorisierter Verfahren
• Evaluation der Verfahrens gegen die bisherige, manuell getunte Lösung und Untersuchung der Anpassungsfähigkeit an Änderungen des Schüttguts und der Schüttgutzusammensetzung

Voraussetzungen

Grundkenntnisse in Python und Matlab

Introduction

Ultra-wideband (UWB) sensors can provide localization accuracy up to the level of centimeter to decimeter and are widely deployed in many industrial production scenarios. However, the localization performance can be considerably affected due to the complexity of the surroundings, e.g., reflections, interference of ferromagnetic material, etc. Therefore, preknowledge about mapping is supposed to be enhance the quality of UWB-based localization to a large extent.

In this project, a novel mapping-based UWB localization system is to be established based on state-of-the-art probabilistic machine learning approaches. More specifically, the project is formulated into the following work packages.

Tasks

• Investigation of an efficient 3D mapping approach for representing the geometric information of the surroundings for UWB-measurement prediction.
• Integration of the mapping-based prediction block into a probabilistic inference framework  for robust position estimation.
• Evaluation w.r.t. localization robustness and accuracy based on  simulation and real-world experiments.

Students with strong interest in probabilistic machine learning are encouraged to join. A background computer vision/graphics is preferable but not a must.

Einleitung

Bei der Erkundung neuer Areale spielt die Modellierung der Umgebung eine entscheidende Rolle. Egal, ob das Relief, Stoffkonzentrationen, Temperaturwerte, Strahlungsintensitäten oder andere Größen gemessen werden, gilt es den Ressourcenbedarf für die Messwertaufnahme zu minimieren. Typische Anforderungen sind die Minimierung des Energiebedarfs und Zeitaufwands, wozu die Fahrwege zu den Messstellen, die Anzahl der Messungen, etc. gehören. Zudem müssen Beschränkungen wie unerreichbare Stellen/Bereiche beachtet werden. Die Auswahl und Gewichtung der Anforderungen hängt dabei von der konkreten Explorationsaufgabe und der dafür verwendeten Sensorik ab. Falls Vorwissen über das zu betrachtende Phänomen vorliegt, kann dies ebenfalls in die Explorationsstrategie einfließen.

In diesem Praktikum sollen Explorationsstrategien für die Erkundung eines dreidimensional verteilten Phänomens erarbeitet und implementiert werden. Dazu können sowohl Verfahren aus der Optimierungstheorie, statistische Verfahren als auch Machine Learning Verfahren wie Reinforcement Learning evaluiert werden.

Aufgaben

• Einarbeitung und Recherche
• Auswahl/Entwicklung geeigneter Verfahren
• Implementation
• Evaluation