Lernende Roboter

Industrieroboter und fahrerlose Transportfahrzeuge (FTS) sind aus der heutigen Produktionstechnik nicht mehr wegzudenken. Sie führen repetitive Tätigkeiten wiederholgenau und ermüdungsfrei durch. Sie können Prozessunsicherheiten mit 2D/3D-Kameras, Kraft-Momenten- und anderen Sensoren erkennen. Die Programmierung und Parametrierung der Auswertealgorithmen erfolgte früher durch Experten, wird aber zukünftig durch lernende Verfahren verdrängt. Das ermöglicht den Robotern, sich autonom auf sich verändernde Umgebungsbedingungen einzustellen und sich zu optimieren.
In dieser Schulung lernen Sie verschiedene Lernverfahren und ihre Einsatzmöglichkeiten für lernende Roboter anhand Praxisbeispielen kennen.

Zielgruppe: Data Scientists, Analysten, die ihre Fähigkeiten zur Trainierung von intelligenten Robotern  ausweiten wollen. Softwareentwickler/-architekten, die Lösungen für analytische Fragestellungen entwickeln.

Voraussetzungen: Kurs „Aktuelle Methoden des Maschinellen Lernens“

Sprache: Vorträge in Deutsch, Material in Englisch

Abschluss: Der Kurs ist Vertiefungsmodul für das Zertifikat »Data Scientist Specialized in Machine Learning« 

Inhalt

Tag 1

  • Aktuelle und zukünftige Anwendungsgebiete von Machine Learning (ML) und Deep Learning in der Automatisierungstechnik und Robotik
  • Methodenbaukasten für ML und Robotik
  • Objekterkennung und -lokalisierung für pick&place-Anwendungen
  • Deep Reinforcement Learning für Robotik

Tag 2

  • Datengenerierung mittels Simulationsumgebung und Generative Adversarial Networks (GANs)
  • Transfer Learning
  • ML-Best Practice Beispiele des Fraunhofer IPA

 

Rahmen

Das Angebot zum Gesamtpreis von 5.300 Euro beinhaltet

  • den dreitägigen Grundkurs „Aktuelle Methoden des Maschinellen Lernens“ in Sankt Augustin mit anschließender Praxisphase (ca. 3 Arbeitstage im Zeitraum von 2 Monaten), 
  • diesen zweitägigen Vertiefungskurs in Stuttgart mit anschließender Praxisphase (ca. 2 Arbeitstage im Zeitraum von 2 Monaten),
  • eine halbtägige Prüfung in Sankt Augustin.

Es besteht die Möglichkeit die Vertiefungen einzeln zu buchen. Bei Einzelbuchung der Vertiefung werden die Inhalte des Grundkurses vorausgesetzt. Der Einzelpreis beträgt 1.900 Euro.

Die Teilnahmegebühr ist steuerfrei gem. § 4 Nr. 22a UStG. Sie umfasst Begleitunterlagen (auf Englisch) und Verpflegung.

Bitte beachten Sie die Storno- und Teilnahmebedingungen.

Maximale Teilnehmerzahl: 15 

Die Anmeldungen werden in der Reihenfolge des Eingangs berücksichtigt.

Veranstaltungsort:
Fraunhofer-Institut für Produktionstechnik und Automatisierung
Nobelstraße 12, 70569 Stuttgart

Termine und Anmeldung

Bitte wählen Sie für die Zertifizierung je einen Termin für den Grundkurs sowie das Vertiefungsmodul. Einzelbuchungen sind ebenfalls möglich.

* Pflichtfelder

Grundkurs »Aktuelle Methoden des Maschinellen Lernens«
Vertiefungsmodul »Lernende Roboter«
Hinweis: Gemäß Datenschutzgrundverordnung (DSGVO) unterrichten wir Sie über die Speicherung Ihrer Daten. Die Einwilligung zur Speicherung und Nutzung Ihrer Daten erfolgt freiwillig und kann jederzeit widerrufen werden.
Stornogebühren

Referenten

Dr. Werner Kraus ist seit 2011 in der Abteilung Roboter- und Assistenzsysteme am Fraunhofer IPA tätig. In seiner Doktorarbeit »Force control of cable-driven parallel robots« beschäftigte er sich mit der modellbasierten Steuerung und Regelung von Seilrobotern. Zahlreichen Forschungs- und Entwicklungsprojekten in der Robotik und Automatisierungstechnik verdankt Kraus langjährige Erfahrung in der Entwicklung und Realisierung von industriellen Robotersystemen. Neben der stellvertretenden Leitung der Abteilung Roboter- und Assistenzsysteme liegt sein Schwerpunkt aktuell auf dem maschinellen Lernen für pick&place-Anwendungen.

 

Kilian Kleeberger ist seit 2017 in der Abteilung Roboter- und Assistenzsysteme am Fraunhofer IPA tätig. Während seines Studiums der Produktionstechnik befasste er sich in Abschlussarbeiten und Industriepraktika mit zahlreichen Themen der Robotik. Im Forschungsprojekt »Deep Grasping« integriert er maschinelle Lernverfahren in den Griff-in-die-Kiste bei simulierten und realen Szenarien. Ziel ist es die Robustheit und Performanz von Roboterapplikationen zu steigern sowie eine schnelle und einfache Inbetriebnahme zu ermöglichen.