Themengebiete WS22/23

Einleitung:

Bei optischen Sortierern werden Schüttgutpartikel auf Basis visueller Eigenschaften in Gut- und Schlechtfraktion getrennt, indem die Partikel einer Klasse durch gezieltes Öffnen von Druckluftventilen „ausgeblasen“ werden. Die Güte der resultierenden Sortierung kann anschließend durch die True-Positive-Rate und True-Negative-Rate der sortierten Schüttgutpartikelströme bewertet werden. In vorangegangenen Arbeiten konnte gezeigt werden, dass sich die Güte der optischen Sortierung durch eine geregelte Rückführung der beiden sortierten Partikelmassenströme verbessern lässt. Durch die Rückführung wird hierbei unter anderem eine Verschiebung des Arbeitspunkt des Sortierers, hin zu günstigeren Arbeitspunkten, ermöglicht. Als Regler kamen sowohl deterministische als auch und stochastische Zustandsregler zum Einsatz. In diesem Praktikum soll zur Veranschaulichung der Auswirkungen der Stellgrößen eine Live-Simulation eines Handbetriebs der Rückführung entwickelt werden. Dazu sollen die rückzuführenden Anteile der sortierten Partikelmassenströme, welche als Stellgrößen dienen, sowie die Simulationsparameter des Gesamtmodells durch eine grafische Benutzeroberfläche gestellt werden. In einem zweiten Schritt sollen das Simulationsmodell mit Rückführung sowie die Regler erweitert werden, z. B. um zusätzliche Partikelspeicher in der Rückführung oder um einen Durchgriff für unsortiertes Material und die Auswirkungen dieser Erweiterungen auf die Sortiergüte untersucht werden.

Aufgaben:

• Implementierung einer Live-Simulation des Modells des optischen Sortierers
• Entwicklung einer grafischen Benutzeroberfläche zur Steuerung der Simulation
• Vergleich des Handbetriebs mit bestehenden Regelverfahren
• Erweiterung des Simulationsmodells um einen Durchgriff und/oder Partikelspeicher, Ergänzung der Regler und Evaluation der Eignung dieser Ansätze durch Vergleich mit den vorhergehenden Modellen ohne Durchgriff/Partikelspeicher

Voraussetzungen:

• Gute Kenntnisse in Matlab
• Vorkenntnisse in Modellbildung und Regelungstechnik vorteilhaft

Einleitung:

Das Erfassen und Verfolgen von Objekten in der Umgebung eines Roboters ist eine grundlegende Voraussetzung, um mit diesen autonom interagieren zu können. LiDAR und RGBD-Kameras sind für diese Aufgabe besonders gut geeignet, da sie dreidimensionale Punktwolken erzeugen können. Aus diesen kann dann die Position und Form der Objekte anhand von parametrischen Objektmodellen geschätzt werden. Dabei ermöglichen es sogenannte Extrusion Random Hypersurface Models (RHMs) eine Vielzahl von Objekten darzustellen. Im Rahmen dieses Praktikums sollen Extrusion RHMs auf einem realen Robotersystem implementiert und evaluiert werden. Dabei kann auch auf Vorarbeiten zurückgegriffen werden. Bei der Implementation soll besonders auch auf die Möglichkeit zur Wiederverwendung und Erweiterbarkeit der Algorithmen geachtet werden.

Aufgaben:

• Einarbeitung in Extended Object Tracking, besonders Extrusion RHMs
• Implementation von Extrusion RHMs in C++ und Integration in ArmarX
• Evaluation auf realem Robotersystem

Voraussetzungen:

• Sehr gute Kenntnisse in C++
• Kenntnisse in Softwaredesign und -engineering
• Optional: Erfahrung mit Zustandsschätzung

Einleitung:

Bei optischen Bandsortierern werden Schüttgutteilchen auf Basis visueller Eigenschaften getrennt, indem die Teilchen einer Klasse durch gezieltes Öffnen von Druckluftventilen „ausgeblasen“ werden. Um eine akkurate Sortierung zu ermöglichen, werden die Teilchen auf dem Band zunächst mittels Multitarget-Tracking-Verfahren verfolgt. Dazu werden mittels physikalischer Bewegungsmodelle oder neuronaler Netze Prädiktionen erstellt und diese anschließend mit neuen Messungen fusioniert. Hierbei ist ein Zuordnungsproblem zwischen Prädiktionen und neuen Messungen zu lösen, da a priori nicht bekannt ist, welche Messungen zu welchen Partikeln gehören. Nach Abschluss des Trackings werden die gewonnenen Bewegungsinformationen genutzt, um wiederum mittels Bewegungsmodellen oder neuronaler Netze Zeitpunkt und Position der Teilchen am Düsenbalken vorherzusagen. Die Genauigkeit der Prädiktionsverfahren hängt maßgeblich von der Ähnlichkeit der aktuellen Situation zum Modell bzw. zum Trainingsdatensatz ab, während die Güte der Zuordnung u. a. von der Belegung des Bandes beeinflusst wird. Da sich im Realbetrieb die Eigenschaften des Schüttgutstroms ändern können, sollen in diesem Praktikum online lernende Verfahren untersucht werden, die adaptiv hierauf reagieren können und ihre Labels selbst erzeugen. Weiterhin soll dies zukünftig ermöglichen, datenbasierte Modelle ohne eine manuell auf aufwendigen Trainingsdatensätzen durchgeführte Trainingsphase einsetzen zu können und erhöht damit die Wirtschaftlichkeit der Anlage.

Aufgaben:

• Integration vorgegebener Verfahren zum Online-Learning für neuronale Netze in die bestehende Implementierung zum Schüttguttracking und zur Prädiktion zum Düsenbalken.
• Entwicklung und Implementierung eine Methode zum Online-Learning der physikalischen Bewegungsmodelle zur Prädiktion zum Düsenbalken.
• Entwicklung und Implementierung einer Methode zur laufenden Anpassung der Parameter der Zuordnung aus Monitoring geeigneter Kenngrößen des Schüttgutstroms.
• Integration der Verfahren in das Experimentalsystem und Umsetzung des Self-Supervised Learnings durch automatisiertes Labeln der Daten.
• Untersuchung der Anpassungsfähigkeit anhand von Datensätzen und am Experimentalsystem.

Voraussetzungen:

• Grundkenntnisse über neuronale Netze und Kalman-Filter
• Grundkenntnisse in Python und idealerweise in Tensorflow

Einleitung:

Am ISAS wird seit einigen Jahren im Bereich der virtuellen und erweiterten Realität (VR/AR) geforscht. Hierzu wurde unter anderem die App “iviz” entwickelt, welche schnellen Zugang zu VR- und AR-Funktionen im Bereich der Robotik auf diversen Endgeräten (z. B. Apple iPad, Microsoft Hololens, HTC Vive) ermöglicht. Für die meisten Anwendungen wird dabei die absolute Kenntnis der Gerätepose im Raum benötigt. Aktuell muss hierfür eine manuelle Kalibrierung nach jedem Gerätestart vorgenommen werden, was aufwändig ist und die Reproduzierbarkeit reduziert. Daher soll in diesem Projekt ein automatisiertes Kalibrierverfahren entwickelt werden, welches die von jedem Gerät im Hintergrund erstellten Karten mit einer Referenzkarte vergleicht, um eine Registrierung zu erhalten. Dabei muss auch untersucht werden, wie die verschiedene Gerätetypen mit der gleichen Referenzkarte und bei nicht vollständig statischen Umgebungen kalibriert werden können.

Aufgaben:

• Recherche und Implementierung von geeigneten Verfahren zur Registrierung von Karten (z. B. Iterative Closest Point)
• Erstellung einer automatisierten Kalibrier-Routine in iviz
• Erhöhung der Robustheit der Kalibrier-Routine
• Evaluation auf verschiedenen Endgeräten und Szenarien

Voraussetzungen:

• Grundkenntnisse in der Verarbeitung von Punktwolken oder Bilddaten
• Gute Programmierkenntnisse
• Vorkenntnisse zu ROS sowie Virtual oder Augmented Reality Technologien vorteilhaft

Einleitung:

Mit Hilfe der Fibonacci-Zahlen lassen sich Fibonacci-Gitter konstruieren, die interessante Eigenschaften besitzen. Beispielsweise sind Sonnenblumenkerne nach genau diesen Gittern in Polarkoordinaten angeordnet – und ebenso die Blätter am Spross, allerdings in kartesischen Koordinaten. Dreidimensionale Gitter mit analogen Eigenschaften scheint es in der Natur nicht zu geben, und erst 2008 wurde ihre mathematische Existenz von James Purser gezeigt. Die höherdimensionalen Gitter lassen sich jedoch bisher nur mit großem Rechenaufwand konkret bestimmen – lediglich für die altbekannte zweidimensionale Variante sind schnelle Algorithmen bekannt. In diesem Praktikum soll eine Reihe von Matrizen, die zur schnellen Berechnung von dreidimensionalen Fibonacci-Gittern infrage kommen, detailliert auf ihre Eigenschaften untersucht werden.

Aufgaben:

• 2x2-Matrizen anhand Fibonacci-Sequenz auflisten
• 3x3-Matrizen anhand generalisierter Fibonacci-Sequenz auflisten
• Klassifikation als Gitter-Repräsentationsmatrix (Repetitivität, Rang, MInimalform, Projektionen, Copy Rules)

Voraussetzungen:

• Kenntnisse in einer höheren Programmiersprache
• bevorzugt: Kenntnisse oder Interesse an Abelschen Gruppen (leicht verständliches Tutorial ist vorhanden)

Einleitung:

Event-based cameras capture brightness changes in pixels instead of intensity. These cameras have advantages over conventional cameras in terms of low latency and high dynamic ranges. Therefore, they do not suffer from motion blur and poor lighting conditions. However, events are captured at the time they occur, typically with different timestamps. Conventional tracking algorithms do not work for event-based cameras. To deal with this issue, continuous-time pose trajectory representations can be employed to evaluate poses at any time. In this project, event-based tracking will be investigated based on continuous-time pose trajectories.

Aufgaben:

• Approximation of continuous-time pose trajectories using nonlinear optimization
• Prediction of new events based on existing ones
• Implementation of event-based tracking algorithms

Voraussetzungen:

• Good knowledge in c++
• Basic knowledge in ROS

Einleitung:

Moderne Industrieroboter erledigen mehr und mehr Aufgaben in Fabriken und sorgen für die Wettbewerbsfähigkeit der deutschen Industrie. Während die Roboter intern mit hohen Frequenzen ihre Bewegung regeln, bieten in der Industrie übliche Schnittstellen nur geringe Abtast- und Datenraten. Eine große Herausforderung dabei ist, dass die Zeiten, zu denen man Werte (beispielsweise Positionen) erhält, nicht gleichmäßig verteilt sind und auch nur ungefähr bekannt sind. Die Annahme, die Zeitpunkte wären gleichmäßig verteilt, kann zu großen Fehlern führen. In diesem Praktikum, das wir gemeinsam mit ArtiMinds anbieten, sollen nicht nur Schätzwerte abgeleitet werden, sondern auch Ungewissenheiten. Dadurch sollen Aussagen abgeleitet werden, in welchem Bereich sich eine Wert wahrscheinlich befindet. Als Beispielwert soll aus Positionen Geschwindigkeiten abgeleitet werden. Echte Daten von Industrierobotern werden von ArtiMinds zur Verfügung gestellt und es können Daten an einem echten Roboter aufgenommen werden.

Aufgaben:

• Einarbeitung in robuste Schätzer
• Analyse und Sichten der Daten
• Ableiten von robusten Schätzungen für die Geschwindigkeiten eines Industrieroboters
• Plausibilisierung an Robotern bei ArtiMinds

Voraussetzungen:

• Kenntnisse in einer Programmiersprache zur Datenverarbeitung wie Matlab oder Python
• Hilfreich sind Vorkenntnisse in der Signalrekonstruktion (Abtasttheorem etc.)