The thesis is supervised in cooperation between the imes and the iPeG in order to support both the application side and the control side.

As part of the Collaborative Research Center 1153, a highly dynamic delta robot was developed and set up at IPeG. This is currently being force-controlled. In order to ensure more precise and reproducible tests, a cascaded force/displacement controller, such as admittance and impedance control, is to be implemented in addition to the force control.

• Main tasks
  • Research on suitable interaction control laws
  • Development of a kinematic and kinetostatic model
  • Development of a simulation environment for in-the-loop tests
  • Application of an interaction control to the test bench and evaluation of experiments
• Prerequisites
  • Ability to work independently
  • Interest in test bench control
  • Knowledge of control and robotics
• Contact: aran.mohammad@imes.uni-hannover.de

The automated detection of bearing damage is a highly researched field. While classical approaches detect bearing damage by vibration measurements, these are not usable for applications e.g. in the automotive sector due to the large disturbing influences. An alternative is the detection of bearing damage based on currents of an electric motor or generator, which has been little investigated so far.

Main tasks

• Literature research on the state of the art for the detection of bearing damage by means of motor currents
• Conception and training of a ML-model for the detection of bearing damages
• Evaluation and comparison with state of the art methods

Prerequisites

• Basic programming knowledge 
• Basic Python and PyTorch knowledge
• Previous knowledge/experience in the area of Machine Learning desirable

This work is part of the RekuTrax project and is carried out in close cooperation with the industrial partners BPW and RefuDrive as well as KIT.

Currently, truck trailers are cooled by a diesel generator. In order to reduce CO2 emissions and transport costs, research is being conducted into hybrid systems that draw most of the required energy from a battery in combination with a generator. These systems need a control system that minimizes CO2 emissions while ensuring the supply security of the genset at all times. The goal of this work is to design such a control system.

Main tasks

• Literature research on the state of the art
• Implementation of an energy demand model of a refrigerated trailer in Matlab/Simulink
• Design of a control strategy for the refrigerated trailer

Prerequisites

• Basic programming knowledge 
• Previous knowledge/experience in Matlab/Simulink desirable

This work is part of the RekuTrax project and is carried out in close cooperation with the industrial partners BPW and RefuDrive as well as KIT.

The Campus Brauerei was created as a project from the mechanical engineering campus. In the future, beer will be served autonomously in the taproom on our campus. For this purpose, mobile robots are suitable, which can pour the beer into glasses and serve it to the guests at different tables. The goal of this project is that the robot (Kuka KMR iiwa) autonomously pours a beer into a glass at the tap.

This thesis aims to develop a machine-learning based method that can, fully autonomously, learn to control an arbitrary plant with unknown, linear dynamics such that its output follows a given reference signal quickly and accurately. The control policy must be trained on a large amount of simulated dynamics to achieve generalization across a class of system. Guided only by reward, the neural-network based control policy must learn to implicitly perform system identification and controller synthesis in real-time, i.e. while it is unrolled in time and iteration domain. By providing additional features that quantify concepts such as, e.g. an interaction time budget, we enable the control policy to learn to balance the inherent explore-exploit problem. This problem statement can be formalized as a Reinforcement Learning problem, however, alternative approaches may also be considered.

Many application domains require controlling the output of a system despite unknown, nonlinear dynamics such that it tracks a desired reference signal for a finite duration of time. In prior work (https://youtu.be/tttkFFD81Qw), we have developed a method named Automatic Neural ODE Control (ANODEC) that can efficiently design neural ODE feedback controllers from input-output data. However, ANODEC has a single data collecting phase and the amount of required data must be known a-priori. In this thesis, we aim to overcome this limitation by developing an iterative version of ANODEC. This further poses two new challenges: Firstly, the exploreexploit tradeoff must be balanced, secondly, safe operation of the intermediate controllers must be guaranteed.

Ein mobiles Robotersystem für 3D-Druck und Schweißen bietet aufgrund seiner hohen Flexibilität und Effizienz ein enormes Potenzial in der modernen Fertigungstechnik. Um diese Vorteile weiter auszuschöpfen und die Produktionskapazität zu erhöhen, zielt diese Masterarbeit darauf ab, eine Erweiterung des Arbeitsraums des Systems durch gleichzeitige Bewegung des Manipulators und der mobilen Plattform zu realisieren.

Industrielle Anlagen haben in der Regel einen großen Bedarf an Energie und arbeiten häufig rund um die Uhr. Schon kleinste Veränderungen von Arbeitsabläufen und Vorgabetrajektorien können deshalb zu messbaren Energieeinsparungen führen. Voraussetzung für die zielgerichtete Planung von Abläufen ist die Kenntnis über das Systemverhalten (Modellkenntnis).

In der ausgeschriebenen Arbeit sollen Machine Learning Methoden angewendet werden, um Komponenten einer industriellen Anlage (Roboter, etc.) datenbasiert zu modellieren. Konkret sind Neuronale Netze (NN) zu verwenden, um das Verhalten von Komponenten der Modellproduktionsstraße (MPS) zu lernen.

Industrielle Anlagen haben in der Regel einen großen Bedarf an Energie und arbeiten häufig rund um die Uhr. Schon kleinste Veränderungen von Arbeitsabläufen und Vorgabetrajektorien können deshalb zu messbaren Energieeinsparungen führen. Voraussetzung für die zielgerichtete Planung von Abläufen ist die Kenntnis über das Systemverhalten (Modellkenntnis).

In der ausgeschriebenen Arbeit sollen Machine Learning Methoden angewendet werden, um Komponenten einer industriellen Anlage (Roboter, etc.) datenbasiert zu modellieren. Konkret sind Gauss‘sche Prozesse (GP) zu verwenden, um das Verhalten von Komponenten der Modellproduktionsstraße (MPS) zu lernen.

Am imes (www.youtube.com/watch?v=WO3tzxJeJ4M) wird derzeit ein neuartiger softer Schlangenroboter erforscht. Dieser besteht aus einer Vielzahl von soften, pneumatisch aktuierten Rotationsaktoren, welche mit konventiellen Ansätzen schwierig zu modellieren sind. Die Arbeit thematisiert die modellprädiktive Regelung (MPC) des Roboters bestehend aus einer Vielzahl von Aktoren. Die dafür erforderliche Modellierung und Identifikation des pneumatischen Mehrkörpersystems ist Teil der Arbeit und soll mittels Gauß-Prozesse erfolgen.

In meinem Forschungsprojekt beschäftige ich mich mit der Reichweitensteigerung von Kontinuumsrobotern für die Triebwerksendoskopie. Aktuell wird ein Kontinuumsroboter verwendet, dessen Basis fest mit einer Vorschubseinrichtung verbunden ist. Mit einer höheren Länge geht auch eine geringere Steifigkeit des Roboters einher und die Ansteuerung des Roboters mit Vorschub an der festen Basis ist nicht mehr zielführend. Daher soll in dieser Arbeit ein Vorschubkonzept entwickelt werden, das auf stark nachgiebige bzw. nicht akuierbare Kontinuumsroboter angewendet werden kann.

Im TACTiC-Projekt wird ein mechatronischer Applikator zur Injektion von Herzmuskelzellen in das schlagende Herz entwickelt. Eine zu lösende Aufgabe ist dabei die präzise Dosierung der Zellen in der Herzwand (Myokard). Im Rahmen der Arbeit soll dafür ein System entwickelt werden, mit dem hochgenau ein vorgegebenes Fluidvolumen verabreicht werden kann.

Siehe pdf-Dokument.

Siehe pdf-Dokument.

Bei der teilautomatisierten Fahrzeuglängsführung in kommenden Fahrzeuggenerationen gilt es, neben dem Fahrkomfort, eine eine vorausschauende und energiesparende Fahrweise zu gewährleisten. Dafür wird am imes gemeinsam mit der IAV GmbH im Rahmen des Projekts: Energieoptimale Trajektorienplanung daran geforscht eine Geschwindigkeitstrajektorie für den bevorstehenden Routenabschnittes (Longrange) anhand von Fahrzeugeigenschaften und Streckeninformationen zu planen und zu optimieren. Um diese Geschwindigkeitstrajektorie umzusetzen und zudem bei unvorhersehbaren, verkehrsbedingten Ereignissen (wie z.B. Vorderfahrzeugen) energieoptimal reagieren zu können, ist eine echtzeitfähige Geschwindigkeitsregelung auf kurzem Streckenhorizont (Shortrange) erforderlich.

Im Rahmen dieser Arbeit soll daher eine Shortrange-Regelung der Fahrzeuggeschwindigkeit entwickelt werden, mit der eine energieoptimale Fahrweise auch bei unvorhersehbar auftretenden Verkehrsereignissen gewährleistet werden kann. 

Aufgabenschwerpunkte