INRC3

INRC3

Neuromorphe Manipulator-Arm-Steuerung zum Einsetzen von Objekten mit Kraftrückkopplung

INRC3

In diesem Projekt implementiert fortiss das Einfügen von Objekten mit einem Roboterarm mittels gepulster neuronaler Netzwerke, basierend auf der Methode des verstärkenden Lernens und unter Verwendung von Kraftrückkopplung.

Projektbeschreibung

Bedarf

Die Suche nach effizienten Wegen der Objektmanipulation durch Robotiksysteme ist ein aktuelles Forschungsgebiet mit hoher industrieller Anwendungsrelevanz. Die Programmierung von Robotersystemen, um Aufgaben wie das Einsetzen von Kabeln in spezielle industrielle Steckverbinder zu bewältigen, ist aufgrund einer komplexen Reibungsdynamik sehr anspruchsvoll.

Die Verwendung klassischer maschineller Lernansätze mit energieintensiven Graphics Processing Units (GPUs) und Rechenressourcen ist für Szenarien in der mobilen Robotik nicht anwendbar. Das Problem wird mittels Umsetzung durch neuromorphe Hardware und gepulster neuronaler Netzwerke effektiv gelöst, da beide Bereiche eine hohe Datensparsamkeit und Energieeffizienz aufweisen.

Ansatz
fortiss verwendet Intels Neuromorphic Chip mit dem Codenamen Loihi, um einen adaptiven Spiking-Controller auf einem Standard-Industrieroboterarm zu hosten. Dieser ist mit haptischen Sensoren ausgestattet. Zudem verwendet fortiss die Methode des verstärkenden Lernens zur Feinabstimmung der Positionierung und Einschubbewegung mit Kraftrückkopplung.

Dieses Projekt findet im Rahmen der Intel Neuromorphic Research Community statt.

Wenn Sie dieses Video aktivieren, werden Daten automatisiert an YouTube übertragen.

Inference with trained actor running on Intel Loihi chip

Forschungsbeitrag

Die wesentlichen Beiträge zur Forschung beinhalten die Entwicklung eines Verstärkungslernalgorithmus für neuronale Netze sowie die Realisierung eines Hardware-Demonstrators, der simuliert in der Neurorobotik-Platform wiedergegeben wird. Somit weist neuromorphe Hardware dank ihrer kompakten und parallelen Architektur, große Verbesserungen bezüglich der Latenzzeit im Vergleich zu klassischer Hardware auf.

Dies ist in einem Anwendungsfall der Robotersteuerung von entscheidender Bedeutung, da Entscheidungen in Echtzeit ein Schlüsselfaktor sind. Was die Künstliche Intelligenz (KI) betrifft, so ist das verstärkende Lernen in gepulsten neuronalen Netzen ein noch nicht ausreichend erforschtes Gebiet, sodass fortiss hier interessante Fortschritte erwartet.

Projektdauer

01.01.2021 - 31.07.2023

Intel and the Intel logo are trademarks of Intel Corporation in the U.S. and other countries.
Dr. Axel von Arnim

Ihr Kontakt

Dr. Axel von Arnim

+49 89 3603522 538
vonarnim@fortiss.org

Weitere Informationen

Projektpartner

Publikationen