Description

Industrieunternehmen stehen vor der Herausforderung, sich an individualisierte Produktwünsche, kleinere Seriengrößen und schnell wandelnde Marktbedingungen anzupassen. Besonders in Hochlohnländern gewinnen robotische Automatisierungslösungen zunehmend an Bedeutung. Die manuelle Roboterprogrammierung ist jedoch teuer und fehleranfällig - insbesondere für Einzel- und Kleinserienfertigung.

Diese Arbeit adressiert diese Herausforderung durch die Entwicklung von Methoden zur automatisierten Generierung von Roboterprogrammen in nicht-deterministischen Umgebungen. Zentrale Beiträge sind eine multimodale Perzeptions-Pipeline zur präzisen Umweltmodellierung sowie ein neuartiges, feature-basiertes Reinforcement-Learning-Verfahren zum effizienten Training robotischer Manipulationsfähigkeiten. Ergänzend wird ein Ansatz zur automatisierten Auswahl optimaler Feature-Repräsentationen basierend auf Bayesscher Optimierung vorgestellt. Für den erfolgreichen Sim2Real-Transfer kommt eine physikalisch und visuell realistische Simulationsumgebung zum Einsatz. Die entwickelten Ansätze werden abschließend in realen Anwendungsszenarien validiert.