Im Jahr 2023 wurden wieder Gewinner in den Kategorien "Best Research Paper" & "Best Students Paper" gekürt. Wir gratulieren den Gewinnern!
Interview Stefan Gadringer (Gewinner Best Research Paper): Neural Network Feedforward Control for Pneumatic Hexapod Excavator Simulator
1. Wie lässt sich der Inhalt Ihrer Arbeit in drei Sätzen beschreiben? In meiner Arbeit verbinde ich traditionelle modellbasierte Ansätze in der Robotik mit maschinellem Lernen, also mit datenbasierten Verfahren. Gut zu modellierende Eigenschaften eines Roboters werden in einem Modell berücksichtigt. Der Rest, also die Abweichung des Modells vom gewünschten Verhalten, wird beispielsweise durch künstliche neuronale Netzwerke (KNN) gelernt. 2. In welchen Bereichen finden die Erkenntnisse aus Ihrer Arbeit Anwendung? Ich setze die Erkenntnisse beispielsweise zur Verbesserung der Positioniergenauigkeit von Robotern ein. Zuerst wird ein Roboter geometrisch kalibriert, d.h. bei der Kinematik eines Roboters werden zusätzliche Fehlerparameter eingeführt. Diese Parameter werden mit Hilfe von Messungen bestimmt und so lässt sich üblicherweise schon eine relativ gute Genauigkeit erzielen. Für eine noch höhere Genauigkeit wird dann der restliche Fehler mit maschinellen Lernmethoden angenähert und im Anschluss großteils kompensiert. Eine weitere Anwendung habe ich beim Austrian Robotics Workshop vorgestellt. Bei der Positionsregelung eines Hexapods mittels klassischem PID Regler wird ein KNN zur nichtlinearen Vorsteuerung verwendet. Der Hexapod besteht aus sechs Luftmuskeln und einer zentralen Spiralfeder. Da das Verhalten dieser Feder nur sehr schwer durch Modelle beschrieben werden kann, wurde stattdessen dafür ein künstliches neuronales Netzwerk verwendet. 3. Ist in Zukunft auch ein Einsatz in anderen Bereichen möglich, z.B. im Zusammenhang mit Automatisiertem Fahren? Wann wird das Ihrer Meinung nach möglich sein? Die hybride Methodik, also die Kombination von Modellen mit datenbasierten Ansätzen kann natürlich auch in anderen Bereichen eingesetzt werden. Ob und wann das auch für das automatisierte Fahren möglich sein wird, lässt sich nicht so einfach einschätzen, da zuerst ein allgemein gültiges Modell für das autonome Fahren gefunden werden müsste. Aufgrund dieser Herausforderung wird aktuell eher auf reine datenbasierte Verfahren zurückgegriffen und als künstliche Intelligenz (KI) bezeichnet. Problematisch ist natürlich, dass das Verhalten dieser KI im Gegensatz zu Modellen schwerer abzuschätzen ist.
Interview Simon Schmidt, Gewinner „Best Students Paper“: Time Optimal Trajectory Planning for a Rigid Formation of Nonholonomic Heavy Duty Platforms
1. Wie lässt sich der Inhalt Ihrer Arbeit in drei Sätzen beschreiben?
Meine Arbeit beschäftigt sich mit der Planung zeitoptimaler Bahnen für eine Gruppe mehrerer mobiler Roboter, sodass ein gemeinsam transportiertes Objekt an eine gewünschte Position bewegt wird. Die betrachteten Fahrzeuge zeichnen sich durch einen einzigartigen Antriebs- und Lenkmechanismus aus, der neben einem autoähnlichen Fahrmodus auch das Rotieren auf der Stelle sowie eine reine Seitwärtsfahrt ermöglicht. Bei der Lösung des Formationsregelungsproblems, das sich aus der Bahnplanung für die einzelnen mobilen Einheiten ergibt, wurde besonderer Wert auf die Formationssteifigkeit gelegt, um einen reibungslosen Transport der Nutzlast zu gewährleisten.
2. In welchen Bereichen finden die Erkenntnisse aus Ihrer Arbeit Anwendung?
Als eines der Haupteinsatzgebiete mobiler Roboter bietet vor allem die Logistik vielfältige Einsatzmöglichkeiten für das vorgestellte Konzept, beispielsweise in automatisierten Lagersystemen oder Produktionsanlagen. Durch die Verteilung der Last auf mehrere Fahrzeuge - prinzipiell beliebig viele - können schwere Objekte effizient transportiert und zugleich die erforderliche maximale Nutzlast der einzelnen Einheiten reduziert werden. Ein weiterer Vorteil besteht in der erhöhten Manövrierbarkeit und der einfacheren Montage beim Transport großer Objekte mit potenziell ungleicher Lastverteilung durch mehrere mobile Roboter.
3. Ist in Zukunft auch ein Einsatz in anderen Bereichen möglich, z.B. im Zusammenhang mit Automatisiertem Fahren?
Prinzipiell ist das Konzept in sämtlichen Szenarien, in denen der Transport von Objekten nötig ist, einsetzbar. Im Bereich des autonomen Fahrens könnte das zu Grunde liegende Prinzip der zeitoptimalen Bahnplanung für einzelne Fahrzeuge angewendet werden, zum Beispiel bei der Planung von Einparkmanövern. Ein weiteres Einsatzgebiet wäre der Transport von sperrigen Gütern, beispielsweise den Rotorblättern von Windkraftanlagen, im Straßenverkehr, wo der Transport mit zwei separaten, unterschiedlichen Transporteinheiten bereits gängige Praxis ist.