392233 Project: Efficiency and Performance Optimization in Deep Reinforcement Learning: A Comparative Study of JAX and PyTorch (Pj) (WiSe 2024/2025)

Magnetische Levitation stellt eine revolutionäre Antriebstechnik dar, die insbesondere im Bereich des intelligenten Produkttransports in der industriellen Automation neue Maßstäbe setzt. Zukünftige Systeme werden in der Lage sein, Produktmanipulation und -transport miteinander zu verbinden und für einen immensen Leistungsschub in der Produktivität zu sorgen. Trotz ihres Potenzials gibt es komplexe Herausforderungen, die eine einfache und intuitive Anwendung solcher Systeme zu diesem Zeitpunkt verhindern. Ein kritischer Punkt ist die Vermeidung von Kollisionen bei der gleichzeitigen Ansteuerung mehrerer Mover während des hoch- dynamischen Verfahrens. Maschinelles Lernen könnte hierbei eine Lösung bieten, da es die Fähigkeit besitzt, trotz der immensen Komplexität, potenziell optimale Lösungen zu generieren. Aktuell untersuchen wir in diesem Bereich lokale und globale Steuerungsmechanismen, die auf der Basis von ML-Methoden effiziente, optimale und sichere Lösungen für den intelligenten Produkttransport erzeugen. Dabei muss in geeigneter Weise mit dem Black-Box-Charakter solcher neuronalen Lösungen umgegangen werden, um zu jeden Zeitpunkt Kollisionen zu vermeiden.

In diesem Projekt soll dazu ein hybrides Verfahren entwickelt werden, welches klassische Ansätze mit maschinellen Lernalgorithmen kombiniert und die Sicherheit der Trajektorienplanung garantieren kann. Dabei soll eine Kollisionserkennung und eine Kollisionsvermeidung konzipiert, implementiert und analysiert werden. Die Arbeiten sollen zuerst in einer Simulation erarbeitet und getestet werden, um sie dann bei Erfolg auf ein reales System zu überführen

Dieses Thema kann nach Absprache auch zum Teil als Projekt und im Anschluss weiter in der Masterarbeit bearbeitet werden. Der Arbeitsumfang wird entsprechend angepasst.

Externe Kommentarseite

https://www.uni-bielefeld.de/fakultaeten/technische-fakultaet/arbeitsgruppen/kollaborative-robotik/lehre/projekte/MA_Ausschreibung_HybridHLC.pdf