Problemstellung
Das autonome Lernen eines intelligenten Robotersystems hat enormes Potenzial, um Montageaufgaben zu lösen. Algorithmen zum Deep Reinforcement Learning werden im Allgemeinen in der Robotik eingesetzt. Ihr Anwendungsniveau ist aufgrund der Komplexität und Variabilität der industriellen Umgebung noch auf relativ einfache Aufgaben beschränkt. Deep Reinforcement Learning wird sich mit Teilgebieten des maschinellen Lernens wie z.B. dem überwachten Lernen verbinden, um Nachteile auszugleichen und Probleme der Industrie zu lösen. Die Roboter der Zukunft werden in der Lage sein, sich an unterschiedliche Umgebungen anzupassen, autonom zu denken und Probleme selbstständig zu lösen, unter den gegebenen Bedingungen.
Vorteile der Lösung
Der Demonstrator besteht aus einem Roboterarm, einer Kamera, einem Vakuumgreifer, einem zufälligen Zielpuzzle und mehreren Polygonen. Die Idee besteht darin, dem Roboter das jeweilige Zielpuzzle zu geben und die KI des Roboters darüber nachdenken zu lassen, wie er die 7 Polygone zusammensetzen kann, um die gleiche Grafik zu erstellen, wie die des Zielpuzzles.
Genutzte Technologien
Ein Kamerasystem wird verwendet, um die 3D-Position und Orientierung der Polygone zu erkennen und zu bestimmen. Ein intelligentes Robotersystem kombiniert K-Nächster Nachbar, Entscheidungsbaum und Deep Q-Netzwerk, um verschiedene Tangram-Puzzle zu erlernen. Nachdem die aktuelle Position der Polygone und die Lösung für die Montage ermittelt wurden, wird eine Roboterbahn geplant.
Einsatzgebiete
Das intelligente System wird zur Analyse der mechanischen Komponenten eingesetzt, so dass der Roboterarm lernt, verschiedene mechanische Komponenten entsprechend zu montieren.