DE202018103922U1 - Greifsystem als intelligentes Sensor-Aktor-System - Google Patents
Greifsystem als intelligentes Sensor-Aktor-System Download PDFInfo
- Publication number
- DE202018103922U1 DE202018103922U1 DE202018103922.9U DE202018103922U DE202018103922U1 DE 202018103922 U1 DE202018103922 U1 DE 202018103922U1 DE 202018103922 U DE202018103922 U DE 202018103922U DE 202018103922 U1 DE202018103922 U1 DE 202018103922U1
- Authority
- DE
- Germany
- Prior art keywords
- gripping
- neural network
- artificial neural
- gripping system
- parameters
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 16
- 230000009471 action Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 238000003066 decision tree Methods 0.000 claims 1
- 238000013135 deep learning Methods 0.000 claims 1
- 230000005484 gravity Effects 0.000 claims 1
- 235000019589 hardness Nutrition 0.000 claims 1
- 230000005415 magnetization Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 claims 1
- 238000012805 post-processing Methods 0.000 claims 1
- 238000007619 statistical method Methods 0.000 claims 1
- 230000009885 systemic effect Effects 0.000 claims 1
- 235000019587 texture Nutrition 0.000 claims 1
- 238000002834 transmittance Methods 0.000 claims 1
- 230000006978 adaptation Effects 0.000 abstract description 3
- 230000003287 optical effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 239000012636 effector Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010249 in-situ analysis Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J15/00—Gripping heads and other end effectors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J13/00—Controls for manipulators
- B25J13/08—Controls for manipulators by means of sensing devices, e.g. viewing or touching devices
- B25J13/081—Touching devices, e.g. pressure-sensitive
- B25J13/084—Tactile sensors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1602—Programme controls characterised by the control system, structure, architecture
- B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
- B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
- B25J9/00—Programme-controlled manipulators
- B25J9/16—Programme controls
- B25J9/1628—Programme controls characterised by the control loop
- B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
Landscapes
- Engineering & Computer Science (AREA)
- Robotics (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manipulator (AREA)
Abstract
Greifsystem mit einer wenigstens einen Aktuator aufweisenden Greifeinrichtung, mit Sensordaten erzeugenden Sensoren, die das unmittelbare Greiffeld und/oder einen Werkstückkontakt der Greifeinrichtung mit einem Werkstück überwachen, und mit wenigstens einer dezentralen Signalanalyse- und Steuereinheit, dadurch gekennzeichnet, dass das Greifsystem als intelligentes Sensor-Aktor-System derart eingerichtet ist und dass die Signalanalyse- und Steuereinheit ein künstliches neuronales Netzwerk so einrichtet und ausbildet, dass unmittelbar im Greifumfeld gewonnene Sensordaten direkt analysiert und Fähigkeiten des maschinellen Lernens zur Bestimmung und situationsgerechten Anpassung der für den Greifprozess relevanten Greifparameter und zur Ansteuerung des Aktuators in Abhängigkeit von der zu erledigenden Handhabungsaufgabe genutzt werden.
Description
- Die Erfindung betrifft ein Greifsystem mit einer wenigstens einen Aktuator aufweisenden Greifeinrichtung, mit Sensordaten erzeugenden Sensoren, die das unmittelbare Greiffeld und/oder einen Werkstückkontakt der Greifeinrichtung mit einem Werkstück überwachen, und mit wenigstens einer dezentralen Signalanalyse- und Steuereinheit. Derartige Greifsysteme sind aus dem Stand der Technik in vielfältiger Art und Weise bekannt, insbesondere als Parallelgreifer- oder zentrische Greifersysteme.
- Bei heutigen Greifsystemen finden Endeffektoren Verwendung, die als Aktoren am Ende einer kinematischen Kette (beispielsweise als Anbauwerkzeuge an einem Roboter) eingesetzt und in der Regel zum Öffnen oder Schließen bzw. zur Greifkrafterzeugung und Werkstückhandhabung pneumatisch über Kolbenhübe oder mechatronisch mittels elektromotorischer Antriebskomponenten angesteuert werden. Sie weisen entweder keine eigene Steuerung oder allenfalls Komponenten zur deterministischen Ansteuerung der relevanten Funktionsbaugruppen (z. B. der Motoren) auf.
- Im Allgemeinen stellen diese Greifsysteme reine Aktoren dar, die ihre Handhabungsaufgaben schnell und zuverlässig erledigen. Die Aktionen sind vorprogrammiert und vorhersehbar. Integrierte oder angebaute Sensoren werden allenfalls zur Wegmessung, Greifpositions- oder Endlagenerkennung eingesetzt.
- Im Greifer bzw. im Greiferumfeld eingesetzte Steuerungssysteme setzen Steuerkommandos übergeordneter Einheiten (z. B. der Robotersteuerung) direkt über unidirektionale Schnittstellen um und sorgen für ein kontrolliertes Greifen, Öffnen oder Schließen. Sie eröffnen im Allgemeinen nur eine eingeschränkte Möglichkeit der Parameteranpassung und weisen keine bzw. nur eine eingeschränkte Sensitivität auf. Eine eigenständige Systemanpassung unter Nutzung von Methoden der künstlichen Intelligenz oder des maschinellen Lernens kommt nicht zum Einsatz.
- Zur Vorgabe der idealen Greifparameter muss der Anwender heute konkret wissen, was für ein Werkstück und wie dieses am besten zu greifen ist, ohne dabei das Werkstück zu beschädigen oder es auf den Bewegungsfahrten des Manipulators zu verlieren. Bei der Vorgabe der Greifparameter müssen diese auf dem Erfahrungshintergrund des Anwenders direkt ausgewählt oder durch direkte Messung und Regelung charakteristischer Kenngrößen, z. B. der Greifkräfte, in einem geschlossenen Regelkreis situationsgerecht adaptiert werden.
- Alternativ zu diesen bekannten, geschlossenen Regelkreisen werden bei anderen Prozessen verstärkt auch Methodenansätze aus der Künstlichen Intelligenz Forschung (KI) genutzt, um eine adaptive Regelung komplexer Vorgänge auf indirektem Weg über Lernstrategien zu erreichen, insbesondere dort, wo eine bildgebende oder taktile Sensortechnik ihre Grenzen erreicht, beispielsweise bei der Sortierung stark diversifizierter Werkstücke in Logistikanwendungen.
- Das Machine Learning (ML) verleiht einem Algorithmus beispielsweise selbstlernende Fähigkeiten. Dies erfolgt in der Regel unter der Nutzung neuronaler Netze, die explizit durch Trainingsphasen und Bewertung sowie unterstützt durch geeignete Modellierung trainiert werden und sich so ideal auf die Anwendung selbst anpassen.
- Das neuronale Netz stellt hierbei einen mehrstufigen, rechenaufwendigen Prozess dar, der Daten über mehrere Stufen separiert, nach verschiedensten Merkmalen bewertet und so Klassifizierungen vornimmt. Die intelligente Leistung des Algorithmus liegt darin, dass er bekannte Muster erkennt und anhand der vorher getätigten Klassifizierung lernt, wie mit diesen umzugehen ist.
- Ein intelligentes Greifwerkzeug lernt auf diese Weise, anhand welcher Parameter das handzuhabende Werkstück einzustufen ist. Damit kann der Algorithmus zukünftige Werkstücke während des Greifprozesses selbstständig klassifizieren und die Handhabung situationsgerecht vornehmen.
- Im bisherigen Stand der Technik kommen neuronale Netze und das maschinelle Lernen vor allem unter Ausnutzung von zusätzlicher optischer Messtechnik und bildverarbeitender Systeme zum Einsatz.
- Noch immer klafft eine große Lücke zwischen den Fähigkeiten des Menschen und den Fähigkeiten heutiger Roboter, selbst wenn es um vermeintlich einfache Dinge wie das Greifen beliebiger Alltagsgegenstände und die Handhabung beliebiger Stückgüter geht, die man unter Ausnutzung von Methoden der KI zukünftig gezielt verkleinern möchte.
- Bei den bisher bekannten Anwendungen neuronaler Netze im Umfeld der Stückguthandhabung und Greiftechnik erfolgten die Realisierung und das Training neuronaler Netze unter Nutzung und Verarbeitung gemessener Sensordaten, die von periphär gewonnenen, vorzugsweise optischen Sensorsystemen wie Kameras oder 3D Laserscanner stammen.
- Google Research nutzte beispielsweise 14 Roboterarme, ausgestattet mit Zweifingergreifern und einer monokularen Farbkamera, um ein neuronales Netz für Greifprozesse auf Basis der optischen Daten zu trainieren. Dabei durften die genutzten Aufbauten und die Anordnung der Roboter, der Kameras und der Greifer nur minimal variiert werden, um in der nachgelagerten betrieblichen Anwendung auf die eintrainierten Trainingsläufe und die dabei gewonnene Parametrierung der neuronalen Netze verlässlich zurückzugreifen.
- Größere Veränderungen des Aufbaus erforderten jeweils ein komplett neues, über zahlreiche Stunden andauendes Training der neuronalen Netze und der Systeme, deren Fehleranfälligkeit auf Grund der insgesamt zu betrachtenden kinematischen Kette und der Einsatzbedingungen des zu nutzenden periphären Sensorsystems erheblich ist; nicht zuletzt auch wegen der Störanfälligkeit und hohen Abhängigkeit von den Beleuchtungsverhältnissen der genutzten Kameras und vergleichbarer optischer Komponenten.
- Der Erfindung liegt daher die Aufgabe zu Grunde, den genannten Nachteilen des Standes der Technik abzuhelfen.
- Diese Aufgabe wird durch ein Greifsystem mit den Merkmalen des Patentanspruchs 1 gelöst. Folglich ist vorgesehen, dass das Greifsystem als intelligentes Sensor-Aktor-System derart eingerichtet ist und dass die Signalanalyse- und Steuereinheit ein künstliches neuronales Netzwerk so einrichtet und ausbildet, dass unmittelbar im Greifumfeld gewonnene Sensordaten direkt analysiert und Fähigkeiten des maschinellen Lernens zur Bestimmung und situationsgerechten Anpassung der für den Greifprozess relevanten Greifparameter und zur Ansteuerung des Aktuators in Abhängigkeit von der zu erledigenden Handhabungsaufgabe genutzt werden.
- Vorgeschlagen wird die funktionelle Erweiterung klassischer Greifsysteme und Endeffektoren um eine dezentrale Signalanalyse- und Steuereinheit im oder außerhalb des Greifers oder Endeffektors, die unmittelbar im Greifumfeld im unmittelbaren oder direkten Werkstückkontakt gewonnene Sensorsignale mittels eines neuronalen Netzwerks analysiert, eine Werkstück- und Greifprozessklassifikation über maschinelles Lernen vornimmt und die Regelparametereinstellungen des Greifsystems in-situ an die zu erledigende Greif- und Handhabungsaufgabe und an das vorgefundene Werkstück situationsgerecht anpasst, ggf. durch maschinelles Lernen optimiert und die gewonnene Lernerfahrung mit anderen vergleichbaren Greifsystemen teilt.
- Vorteilhafterweise wird eine Bewertung haptischer Sensorsignale aus dem Greifumfeld durch eine dezentrale externe oder eine im Greifer oder im Endeffektor eingebettete interne Systemintelligenz genutzt. Neu ist insbesondere ein Training neuronaler Netze auf der Basis taktiler Sensoren, die auf Grund von Kraftmessungen oder über die Werkstückberührung möglicher weiterer elektrischer Sensorsignale ein maschinelles Lernen ermöglichen.
- Insbesondere neu ist hierbei der unmittelbare Einsatz neuronaler Netzwerke zur Optimierung von Greifprozessen und die hierbei genutzte Lernstrategie, die beim Training auf direkt und unmittelbar im Greifraum aufgenommenen Sensorsignalen basiert und daraus abgeleitete Erkenntnisse direkt verarbeitet.
- Insbesondere neu ist, dass das vorgeschlagene Greifsystem und das genutzte neuronale Netz ohne Mustererkennung aus Bilddaten oder Signalen auskommt, welche von periphären, nicht am Greifprozess unmittelbar beteiligter optischer Messsysteme herrühren; seien es pixelbasierte Kameradaten oder Punktewolken, die mittels Scannern oder aus der Auswertung mehrerer Kamerasysteme erzeugt werden.
- Insbesondere neu ist, dass bei der Werkstoff- und Werkstückklassifikation, die durch das neuronale Netz vorgenommen wird, eine unmittelbare Bewertung der Werkstückeigenschaften erfolgt und das maschinelle Lernen nicht über die Auswertung dritter Informationsquellen, z. B. Kamerabildern, erfolgt.
- Insbesondere neu ist, dass erstmals der Einsatz neuronaler Netzwerke im unmittelbaren Greiferumfeld bzw. direkt integriert als Embedded System in einem Greifwerkzeug oder Endeffektor vorgeschlagen wird und diese sich beim Lernen auf abgeleitete Größen aus dem Kraft-Weg-System sowie weiterer durch Sensorfusion und Analyse mehrerer integrierter Messstellen gewonnene Erkenntnisse abstützen.
- Insbesondere neu ist auch, dass durch den Einsatz der neuronalen Netzwerke nicht nur eine Werkstückerkennung erreicht wird, sondern darüber hinaus eine unmittelbare Optimierung bei der Durchführung der Handhabungsaufgabe ermöglicht wird.
- Insbesondere neu ist ferner, dass durch die In-Situ Analyse der Greifkraftsituation mittels des im Greifsystem integrierten neuronalen Netzwerks keine unmittelbare Interaktion mit allen Elementen der kinematischen und sensoroptischen Wirkketten (z. B. der Roboterarme oder der Kameras) mehr erforderlich ist und daher auch unabhängig von der konkreten Anordnung des Roboters oder eines periphären optischen Mess- oder Kamerasystems ein maschinelles Lernen und eine Weiternutzung der hierbei gewonnenen Lernerfahrung für das Greifen ermöglicht wird, das nunmehr ausschließlich vom genutzten Greifsystem abhängt.
- Weitere vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den Unteransprüchen definiert.
Claims (18)
- Greifsystem mit einer wenigstens einen Aktuator aufweisenden Greifeinrichtung, mit Sensordaten erzeugenden Sensoren, die das unmittelbare Greiffeld und/oder einen Werkstückkontakt der Greifeinrichtung mit einem Werkstück überwachen, und mit wenigstens einer dezentralen Signalanalyse- und Steuereinheit, dadurch gekennzeichnet, dass das Greifsystem als intelligentes Sensor-Aktor-System derart eingerichtet ist und dass die Signalanalyse- und Steuereinheit ein künstliches neuronales Netzwerk so einrichtet und ausbildet, dass unmittelbar im Greifumfeld gewonnene Sensordaten direkt analysiert und Fähigkeiten des maschinellen Lernens zur Bestimmung und situationsgerechten Anpassung der für den Greifprozess relevanten Greifparameter und zur Ansteuerung des Aktuators in Abhängigkeit von der zu erledigenden Handhabungsaufgabe genutzt werden.
- Greifsystem nach
Anspruch 1 oder nach dem Oberbegriff vonAnspruch 1 , dadurch gekennzeichnet, dass das Greifsystem als intelligentes Sensor-Aktor-System derart eingerichtet ist und dass die Signalanalyse- und Steuereinheit ein künstliches neuronales Netzwerk so einrichtet und ausbildet, dass unmittelbar im Greifumfeld gewonnene Sensordaten direkt analysiert und Fähigkeiten des maschinellen Lernens zur Werkstückidentifikation genutzt werden. - Greifsystem nach
Anspruch 1 oder2 , dadurch gekennzeichnet, dass die Sensoren als taktile Berührungssensoren ausgebildet sind dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass aufgrund der von den Berührungssensoren erzeigten Sensordaten ein maschinelles Lernen erfolgt. - Greifsystem nach
Anspruch 1 ,2 oder3 , dadurch gekennzeichnet, dass die Signalanalyse- und Steuereinheit in, an und/oder außerhalb der Greifeinrichtung angeordnet ist. - Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass über statistische Methoden und über die Analyse von Wahrscheinlichkeiten der Sensordaten für den Greifprozess relevante Greifparameter bestimmt (Deep Learning) und darauf basierend der Aktuator angesteuert wird.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass sich die Greifparameter automatisch einstellen und die Greifsituation, insbesondere die Werkstückaufnahme und Werkstückablage während des Greifvorgangs selbsttätig optimiert wird.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass es eine Topologie mit einer oder mehreren Schichten ausbildet.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass es auf wiederholtes Zugreifen reagiert, den Erfolg des Zugriffsszenarios klassifiziert und unterschiedliche Zugriffssituationen selbsttätig oder mit Hilfe eines bewertenden Bedieners erlernt und optimiert.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass eine Werkstückklassifikation insbesondere über ein- oder mehrschichtige Entscheidungsbäume erfolgt.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass es auf den einzelnen Analyseschritten und/oder Netzwerkschichten folgende Analysegrößen, Parameter und aus diesen abgeleitete bzw. mit diesen korrelierte Kenngrößen zur Verarbeitung beim maschinellen Lernen herangezogen, bewertet oder verwendet werden : Dimensionelle Abmessungen, ausgezeichnete Abmessungen und Größen, Größenverhältnisse, Formfaktoren, Umfang zu Flächenverhältnisse, geometrische Grundformen, Materialparameter, Leitfähigkeiten, Lichtdurchlässigkeiten, Nachgiebigkeiten, Härten, Magnetisierbarkeit, Magnetisierungsgrade, Oberflächenbeschaffenheiten, Reflexionen, Rauheiten, Schwerpunktlage, Widerstandskräfte, Viskositäten, Kompressibilitäten, Kraft-Weg-Verhalten (Dehnung), Flächenpressungen.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass die erfassen Sensordaten (und Sensorfusionen) aus dem Greifumfeld erfasst und in einer lokalen Recheneinheit analysiert werden, ob und welche der gelernten Muster erkannt werden, um daraus resultierend Handlungsbefehle an nachgelagerte Systemschritte einzuleiten oder zu veranlassen.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass Greifsystem- oder Netzwerkparametrierungen von vergleichbaren Greifsituationen und Greifeinrichtungen übernommen werden und diese unmittelbar genutzt oder nach weiterer Optimierung eingesetzt werden.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass zu einem früheren Zeitpunkt erlernte Greifkraft- oder Netzwerkparametrierungen von vergleichbaren Greifsituationen und Greifeinrichtungen aus einer Wissensdatenbank, einem Wissensnetzwerk und/oder einem Cloud-basierenden Service unmittelbar genutzt oder diese als Ausgangsbasis für weitere Optimierungen eingesetzt werden.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass potentielle Sortierungenauigkeiten, Fehlleitungen, Anlagenausfälle, Wartezeiten und eine manuelle Nachbearbeitung der Systemparametrierung durch Machine Learning anhand eines gelernten Klassifikations-Schemas erkannt und ggf. kompensiert werden.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass die Signalverläufe und deren Güte während des Betriebs gemessen und bewertet werden, um allgemeine Betriebszustände, Zustände des Greifsystems und dessen Anschluss an weitere elektrische, elektronische oder informationstechnische Systeme im Betrieb abzuleiten sowie darauf basierend deren Funktion zu diagnostizieren.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass die Erkenntnisse aus dem maschinellen Lernen und die aus den Analysen unter Zuhilfenahme von Methoden der künstlichen Intelligenz (KI) abgeleiteten Zustandsmerkmale zur vorausschauenden Prognose von Systemfunktion, Wartungs-, Erneuerungsbedarf und Einsatzreichweiten verwendet werden.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass die Erkenntnisse aus dem maschinellen Lernen und die aus den Analysen unter Zuhilfenahme von Methoden der künstlichen Intelligenz (KI) abgeleiteten Zustandsmerkmale zur Modellierung des systemischen Verhaltens der Regelstrecke sowie der gesamten kinematischen Wirkkette verwendet werden.
- Greifsystem nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das künstliche neuronale Netzwerk so gebildet und eingerichtet ist, dass ein unmittelbarer Informationsaustausch zwischen den an der Steuerung der kinematischen Wirkkette beteiligten Komponenten und Steuereinheiten erfolgt, um eine wenigstens weitgehend autonome Inbetriebnahme und eine unmittelbare Aufnahme der maschinellen Lernphasen zu erzielen.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202018103922.9U DE202018103922U1 (de) | 2018-07-09 | 2018-07-09 | Greifsystem als intelligentes Sensor-Aktor-System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE202018103922.9U DE202018103922U1 (de) | 2018-07-09 | 2018-07-09 | Greifsystem als intelligentes Sensor-Aktor-System |
Publications (1)
Publication Number | Publication Date |
---|---|
DE202018103922U1 true DE202018103922U1 (de) | 2018-08-06 |
Family
ID=63258801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE202018103922.9U Active DE202018103922U1 (de) | 2018-07-09 | 2018-07-09 | Greifsystem als intelligentes Sensor-Aktor-System |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE202018103922U1 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020120027A1 (de) | 2020-07-29 | 2022-02-03 | Liebherr-Verzahntechnik Gmbh | Verfahren zur automatischen Bestimmung von Konstruktionsparametern eines Greifers |
DE102020210537A1 (de) | 2020-08-19 | 2022-02-24 | Kuka Deutschland Gmbh | Verfahren und System zum Handhaben einer Lastanordnung mit einem Robotergreifer |
DE102021202759A1 (de) | 2021-03-22 | 2022-09-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zum Trainieren eines neuronalen Netzwerks zum Steuern eines Roboters |
DE102021130792A1 (de) | 2021-11-24 | 2023-05-25 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zum Vergüten eines Bauteils in einem Schneid- und/oder Umformwerkzeug |
DE102022115662A1 (de) | 2022-06-23 | 2023-12-28 | Robominds GmbH | Verfahren zum Handhaben eines Objekts mittels eines Roboterarms und Vorrichtung umfassend einen Roboterarm zum Handhaben eines Objekts |
DE102022212198A1 (de) | 2022-11-16 | 2024-05-16 | Kuka Deutschland Gmbh | Anpassung einer Greifsimulation durch Parameteridentifikation in der realen Welt |
-
2018
- 2018-07-09 DE DE202018103922.9U patent/DE202018103922U1/de active Active
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102020120027A1 (de) | 2020-07-29 | 2022-02-03 | Liebherr-Verzahntechnik Gmbh | Verfahren zur automatischen Bestimmung von Konstruktionsparametern eines Greifers |
DE102020210537A1 (de) | 2020-08-19 | 2022-02-24 | Kuka Deutschland Gmbh | Verfahren und System zum Handhaben einer Lastanordnung mit einem Robotergreifer |
DE102021202759A1 (de) | 2021-03-22 | 2022-09-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Vorrichtung und Verfahren zum Trainieren eines neuronalen Netzwerks zum Steuern eines Roboters |
DE102021130792A1 (de) | 2021-11-24 | 2023-05-25 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | Verfahren zum Vergüten eines Bauteils in einem Schneid- und/oder Umformwerkzeug |
DE102022115662A1 (de) | 2022-06-23 | 2023-12-28 | Robominds GmbH | Verfahren zum Handhaben eines Objekts mittels eines Roboterarms und Vorrichtung umfassend einen Roboterarm zum Handhaben eines Objekts |
DE102022115662B4 (de) | 2022-06-23 | 2024-06-27 | Robominds GmbH | Verfahren zum Handhaben eines Objekts mittels eines Roboterarms und Vorrichtung umfassend einen Roboterarm zum Handhaben eines Objekts |
DE102022212198A1 (de) | 2022-11-16 | 2024-05-16 | Kuka Deutschland Gmbh | Anpassung einer Greifsimulation durch Parameteridentifikation in der realen Welt |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE202018103922U1 (de) | Greifsystem als intelligentes Sensor-Aktor-System | |
DE112019002310B4 (de) | Ausführen einer "peg in hole"-aufgabe mit unbekannter neigung | |
DE102014108287B4 (de) | Schnelles Erlernen durch Nachahmung von Kraftdrehmoment-Aufgaben durch Roboter | |
US20180225113A1 (en) | Control device, robot, and robot system | |
DE102017202717A1 (de) | Roboteranlernung per menschlicher demonstration von aufgaben mit kraft- und positionszielen | |
DE112019000097B4 (de) | Steuervorrichtung, Arbeitsroboter, Programm und Steuerverfahren | |
Muthusamy et al. | Neuromorphic event-based slip detection and suppression in robotic grasping and manipulation | |
DE102015111080B4 (de) | Robotervorrichtung mit maschinellem Sehen | |
DE102012213188B4 (de) | Verfahren und System zum Steuern einer Ausführungssequenz eines geschickten Roboters unter Verwendung einer Zustandsklassifizierung | |
DE102010053002A1 (de) | Systeme und Verfahren, die der Handhabung eines Ojekts mit einem Greifer zugeordnet sind | |
EP3365141B1 (de) | Mrk-system und verfahren zum steuern eines mrk-systems | |
WO2019239563A1 (ja) | ロボットシステム | |
DE202017102379U1 (de) | Intelligentes Greifsystem | |
EP3397431B1 (de) | Roboter und verfahren zum betreiben eines roboters | |
DE102018112370B4 (de) | Richtungsabhängige Kollisionsdetektion für einen Robotermanipulator | |
Arenas et al. | Convolutional neural network with a DAG architecture for control of a robotic arm by means of hand gestures | |
WO2023078884A1 (de) | Ansteuerung eines industrieroboters für eine greifaufgabe | |
WO2020048664A1 (de) | Steuervorrichtung für eine roboteranordnung, roboteranordnung, verfahren, computerprogramm und maschinenlesbares speichermedium | |
Quiros et al. | Object locator and collector robotic arm using artificial neural networks | |
EP3907754B1 (de) | Verfahren zur bearbeitung von substraten, insbesondere von wafern, masken oder flat panel displays, mit einer maschine der halbleiterindustrie | |
DE102017213824A1 (de) | Greifervorrichtung zum Handhaben eines Werkstückes, Handhabungsanordnung und Verfahren zum Handhaben des Werkstücks mit der Greifervorrichtung | |
DE102016206980A1 (de) | Verfahren zur Handhabung eines Körpers und Handhabungsvorrichtung | |
Roberge et al. | Detecting insertion tasks using convolutional neural networks during robot teaching-by-demonstration | |
Carlevarino et al. | An incremental growing neural network and its application to robot control | |
WO2019201873A1 (de) | Verfahren zur erkennung einer intention eines partners gegenüber einer mehrgliedrigen aktuierten kinematik |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R207 | Utility model specification | ||
R163 | Identified publications notified | ||
R150 | Utility model maintained after payment of first maintenance fee after three years | ||
R151 | Utility model maintained after payment of second maintenance fee after six years |