TransLearn

Erfahren Sie hier, wie mithilfe des Förderprojekts TransLearn Algorithmen aus dem Bereich des bestärkenden Lernens im industriellen Umfeld genutzt werden.

Wie Reinforcement Learning Programmierkosten senken kann

 

Um Roboterbewegungen zu optimieren, Programmierkosten zu senken und neue Automatisierungsanwendungen zu erschließen, braucht es große Datenmengen. Zudem ist das Erzeugen dieser Daten mit Robotern sehr kosten- und zeitintensiv, mehrere Roboter müssen dafür parallel arbeiten. Um Kosten zu sparen, kann man die Daten allerdings auch in einer Simulationsumgebung sammeln. Einziges Manko: Die simulativ erlernten Handlungsstrategien lassen sich nicht ohne Weiteres auf reale Roboter übertragen. Man bezeichnet diesen Effekt als „Reality Gap“.

Im Rahmen des Projekts „TransLearn“ werden die Modellfehler identifiziert, sodass die simulativen Ergebnisse auf reale Roboter übertragen werden können. So soll das Projekt die Programmierkosten von Industrierobotern signifikant reduzieren. Zum einen kann die Programmierung besser und schneller in Simulation erfolgen, zum anderen können die Roboter eigenständig in der Simulation und in der realen Anlage Parameter lernen und die Aufgabenausführung optimieren. Während bislang zur Programmierung von Robotern Programmierexperten benötigt werden, sollen sie in Zukunft durch Prozessexperten instruiert werden können. Auch kürzere Taktzeiten und ein niedrigerer Energieverbrauch könnten Ziele des Optimierens mittels Reinforcement Learning sein. Das erhöht nicht nur die Produktivität, sondern führt auch zu Kostenersparnissen und mehr Nachhaltigkeit in der Produktion.

OK

Wir nutzen Cookies, um Ihnen auch online den besten Service zu bieten. Mehr erfahren.