skip to main contentskip to main menuskip to footer Universität Bielefeld Play
  • Forschung

    Roboter
    Roboter
    © Universität Bielefeld

Praxisbeispiele

Ein wichtiges Ziel der Forschung am CoR-Lab ist, Funktionen und Entwicklungsmethoden für intelligente sozio-technische Systeme im Arbeitsumfeld so weiterzuentwickeln, dass sich diese Systeme an wechselnde Aufgabenstellungen, unterschiedliche Umgebungen und Menschen mit ihren individuellen Eigenschaften einfach anpassen können. Hierfür stellen modellgetriebene Software- und Systementwicklung als auch die Anwendung datengetriebener Lernverfahren aus der KI-Forschung wichtige Bausteine dar. Im Folgenden sind einige Beispiele aktueller Forschungsprojekte gezeigt, deren Methoden und Technologien für die Anwendung in der Praxis besonders interessant sind.


Smarte Wäschesortierung mit KI-Technologien

Zum Hauptinhalt der Sektion wechseln

Ansprechpartner

Zur Projekt Website

Im Kompetenzzentrum Arbeitswelt.Plus entwickelt das CoR-Lab gemeinsam mit der Herbert Kannegiesser GmbH eine KI-basierte Kernfunktion für die smarte Wäscherei. Zielsetzung des Projekts ist eine Minimierung des Kontakts des arbeitenden Menschen mit verschmutzter und evtl. kontaminierter Wäsche. Dies wird durch die automatische Klassifikation und Sortierung der angelieferten Wäsche mit maschinellen Lernverfahren erreicht, so dass die klassifizierte Wäsche ohne direkten menschlichen Kontakt möglichst sortenrein behandelt werden kann. Es werden dabei aktuelle Ansätze der „eXplainable Artificial Intelligence“ (XAI) auf die Bedürfnisse der Mitarbeiter*innen in mittelständischen Firmen angepasst und weiterentwickelt, so dass eine neue Arbeitsteilung zwischen Mensch und KI-gesteuerter Maschine entsteht.

Anwendungsgebiete

  • Robotik und Automatisierung

Ressourceneffizientes Computing für Deep Learning Algorithmen

Zum Hauptinhalt der Sektion wechseln
Zur Projekt Website

Das von der Europäischen Union finanzierte und durch das CoR-Lab koordinierte Projekt VEDLIoT entwickelt eine neuartige IoT-Plattform, die über das gesamte IoT-Kontinuum verteilte Deep-Learning-Algorithmen verwendet. Das Projekt bietet zur Projekthalbzeit ein niederschwelliges Förderprogramm zur Einbindung von weiteren Unternehmen, indem in fokussierten Projekten die IoT-Plattform anhand zusätzlicher industrieller Anwendungsfälle evaluiert wird. Durch die Anwendung der IoT-Plattform wird die Marktreife der VEDLIoT-Lösungen demonstriert und durch die Rückmeldung der zusätzlich beteiligten Unternehmen weiter erhöht. Die Abgabefrist für Einreichungen im Open Call endet am 08.05.2022.

Anwendungsgebiete

  • Robotik und Automatisierung
  • Autonomes Fahren
  • Smart Home

Effizientes Lernen von Montageprozessen

Zum Hauptinhalt der Sektion wechseln
Zur Projekt Website

Im Rahmen des vom BMBF geförderten Verbundprojektes ITS.ML geht es um den Einsatz maschineller Lernverfahren für Intelligente Technische Systeme der nächsten Generation. Es sollen Methoden und Werkzeuge des Maschinellen Lernens (ML) entwickelt, umgesetzt und erprobt werden, die einen Einsatz aktueller ML Technologie insbesondere in regionalen kleinen und mittleren Unternehmen ermöglichen. Ein praktisches Beispiel aus dem Projekt ist eine Methodik zur Nutzung von Vorwissen in Kombination mit Reinforcement Learning für die automatisierte Montage komplexer Bauteile. Durch die Nutzung des modellbasiert vorliegenden Vorwissens werden die Aufwände für den Einsatz der Lernverfahren reduziert und eine effiziente Anpassung an neue Montage- oder Demontageaufgaben unterstützt.

Anwendungsgebiete

  • Robotik und Automatisierung

Interaktive Layoutplanung für Roboterzellen

Im Rahmen des Innovationsprojekts FlexIMiR wurde am CoR-Lab eine Methode für eine iterative Layoutplanung für modulare Roboterzellen entwickelt. Kollaborative Roboter werden von uns als ein Schlüsselelement für eine flexible Produktion in einer modernen Produktionsumgebung angesehen. Die effiziente Programmierung dieser Roboter in nicht-trivialen Anwendungsfällen stellt allerdings immer noch eine Herausforderung dar und hängt stark von der Erfahrung der involvierten Mitarbeiter*innen ab. Aus diesem Grund stellen wir in diesem Beispiel einen unterstützten Ansatz zur interaktiven Einrichtung von Roboterzellen vor, um Anwendungen mit kollaborativen Robotern in flexiblen Produktionssystemen effizient zu planen und in Betrieb zu nehmen. Die gezeigten Methoden lassen sich sehr einfach auf andere Anwendungsfälle übertragen, in denen automatisierte Bahnplanung und die Bewertung der Anordnung von Automatisierungskomponenten relevante Aspekte darstellen.

Anwendungsgebiete

  • Robotik und Automatisierung

back to top