Stukturierte Analyse von Ansätzen des Reinforcement Learnings in der Robotik

Reinforcement Learning ist eine häufig genutzte Methode um eine Maschine zu befähigen, selbstständig eine optimale Lösungsstrategie für eine Aufgabenstellung zu erlernen. In Verbindung mit Robotik lassen sich so intelligente Systeme zur Durchführung unterschiedlicher Handhabungs- und Montageaufgaben herstellen. Zahlreiche Lösungen aus den Bereichen der Industrie-, Flug- und Heimrobotik beweisen bereits das Potential und die Leistungsfähigkeit solcher Ansätze.

Zielsetzung:

Ziel der Arbeit ist, unterschiedliche Automatisierungsansätze, die Reinforcement Learning und Robotik kombinieren, zu untersuchen und die wichtigsten Charakteristika der Ansätze dazustellen. Es ist eine Methodik zu entwickeln, mit der die unterschiedlichen Ansätze bewertet und verglichen werden können. Durch diese intensive Auseinandersetzung mit dem Status Quo sollen kritischer Erfolgsfaktoren und Anforderungen an die Formulierung der Aufgabestellung identifiziert und zusammengetragen werden.

Mögliche Arbeitsinhalte:

  • Einarbeitung in Robotik und Reinforcement Learning (RL)
  • Einarbeitung in Methoden des Structured Literature Reviews
  • Identifikation von Charakteristika geeigneter RL-Aufgabenstellungen
  • Identifkation von Kriterien zur Erfolgsbewertung des RL-Ansatzes
  • Entwicklung einer Methodik zum Vergleich der RL-Ansätze
  • Ggf. Ableitung eines Vorgehensmodells zur Idenfizierung des optimalen RL-Ansatzes in Anlehnung an eine Aufgabenstellung

Was Du mitbringen sollest

  • Selbstständige und systematische Arbeitsweise
  • Gute Kenntnisse deutscher und englischer Sprache
  • Motivation zur Literaturarbeit
  • Interesse an Künstlicher Intelligenz

Weitere Infos auf Anfrage. Der Arbeitsumfang kann individuell und entsprechend der Interessen angepasst werden.

Kontakt:

Simon Fröhlig, M.Sc.

Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)