KIRK

KI-basierte Roboterkalibrierung

Motivation

Anwendung von Methoden der Künstlichen Intelligenz in der Praxis Mit der Bekanntmachung zur Förderung von Projekten zum Thema „Anwendung von Methoden der Künstlichen Intelligenz in der Praxis“ vom 19. März 2019 wird der Transfer von innovativen Forschungsergebnissen aus dem Gebiet der Künstlichen Intelligenz in die Praxis gefördert. Die Förderbekanntmachung ist eingebettet in die nationale Strategie für Künstliche Intelligenz (KI). Mit der Umsetzung der Bekanntmachung wird insbesondere das Handlungsfeld „Transfer in die Wirtschaft, Mittelstand stärken“ der KI-Strategie adressiert. Erweiterte Einsatzmöglichkeiten von Industrie-Robotern durch intelligente Kalibriermethoden Stark fallende Hardware-Preise machen den Einsatz mehrachsiger Industrie-Roboter zunehmend auch außerhalb der Massenproduktion attraktiv. Sehr preiswerte Systeme erreichen allerdings für viele Anwendungen nicht die notwendige Genauigkeit. Mechanisch hochwertige Systeme müssen zeitaufwendig beim Hersteller in regelmäßigen Abständen nachkalibriert werden und erfordern lange Aufwärmzeiten bis die Temperaturen erreicht werden, in denen die Kalibrierung gültig wird. Die aktuell genutzten Kalibrier-Methoden und Algorithmen können ausschließlich sogenannte parametrische d. h. geometrische Fehler korrigieren. Nichtlineare z. B. temperatur- oder lastabhängige Effekte können derzeit nicht behandelt werden. Auch eine Nachkalibrierung im laufenden Betrieb durch Facharbeiter, unter Berücksichtigung ihres Prozesswissens, ist derzeit nicht möglich, was einem nachhaltigem Lern- und Optimierungsprozess entgegensteht.

Ziele und Vorgehen

Das Projekt KIRK verfolgt daher das Ziel, mit den Möglichkeiten des Maschinellen Lernens neue Kalibrier-Methoden zu entwickeln, die flexibler in der Anwendung sind, zu höheren Genauigkeiten führen und damit die Einsatzmöglichkeiten der Industrie-Roboter erweitern. Im Fokus stehen dabei sogenannte tiefe neuronale Netze (Deep Learning), sowie Techniken der Domain Randomization und Domain Adaption. Bei der Domain Randomization werden eine Vielzahl physikalischer und kinematischer Größen wie z. B. Massen, Trägheit, Lichtverhältnisse des Roboters sowie der Umgebung variiert, bei der Domain Adaptation wird der Unterschied in der Datenverteilung bei der Lösung derselben Aufgabe in verschiedenen Umgebungen berücksichtigt. Der direkte Nutzen der neu erarbeiteten Methoden wird für drei typische industrielle Anwendungsfälle gezeigt: Berücksichtigung von Effekten in der Aufwärmphase, Verschiebungen von Pivotpunkten/Achslagen durch Abnutzung und Verbesserung der Genauigkeit besonders preisgünstiger Roboter anhand von Demonstratoren.

Innovationen und Perspektiven

Der Lehrstuhl für Kognitive Produktionssysteme an der Universität Stuttgart übernimmt im Projekt die Forschung zu neuen Methoden des Maschinellen Lernens. Das Robot- and Human-Motion-Lab (RaHMLab) der DHBW Karlsruhe führt Bewegungsanalysen durch, charakterisiert Fehler und entwickelt spezifische Messtechnik, um die benötigten Lerndaten zu erzeugen. Gemeinsam mit dem Industriepartner ArtiMinds werden anschließend die Grundlagenmethoden auf reale industrielle Anwendungsfälle übertragen. Neben der unmittelbaren wissenschaftlichen Verwertung der Ergebnisse sollen die neu entwickelten Methoden in die Robot Programing Suite (RPS) von ArtiMinds integriert werden und die Entwicklung weiterer neuer Produkte auf Basis des Maschinellen Lernens ermöglichen.

Projektinformation

Projektleitung

Duale Hochschule Baden-Württemberg Fakultät Technik
Erzberger Str. 121
76133 Karlsruhe

Volumen

580.902 €

Laufzeit

07/2026 – 07/2026

Projektpartnerinnen und -partner

DHBW KarlsruheUniversität Stuttgart, Institut für Fertigung und Fabrikbetrieb IFFArtiMinds Robotics GmbH