APT - Artificial Physics Teacher

Quick Check

Ausgangssituation

Physiksimulationen werden vermehrt eingesetzt, um Roboter in einer sicheren, digitalen Umgebung für Produktionsprozesse zu programmieren oder zu trainieren. Damit der Roboter die Prozesse erfolgreich erlernen kann, müssen die in der Simulation erzeugten Trainingsdaten den realen Prozess repräsentieren können. Andernfalls kommt es zu Abweichungen beim Transfer von der Simulation in die Realität (Sim2Real Gap), sodass der Roboter bei der Ausführung in der Realität scheitert.

 

Lösungsidee

Neuronale Netze eignen sich sehr gut, um selbst komplexe Zusammenhänge modellieren zu können, so auch den Einfluss der Physikparameter auf die Datenqualität. Durch den Vergleich mit Daten aus realen, roboter-basierten Prozessen, können neuronale Netze mittels Supervised Learning trainiert werden, die passenden Physikparameter für die Simulation von Produktionsprozessen zu ermitteln. Anschließend können die neuronalen Netze prozessabhängig passende Parameter der Physiksimulation approximieren, wodurch die Simulation optimiert und die Datenqualität deutlich verbessert wird.

© Fraunhofer IPA

Nutzen

Bislang findet die Optimierung der Parameter für die Physiksimulation rein manuell statt, setzt umfangreiches Expertenwissen voraus und ist äußerst zeitintensiv. Durch das Training neuronaler Netze für die Auswahl der optimalen Physikparameter wird die Datenqualität deutlich gesteigert sowie der manuelle Aufwand minimiert. Dadurch wird insbesondere die Abweichung zwischen Simulation und Realität verringert. 

 

Umsetzung der KI-Applikation 

Für das Training der neuronalen Netze werden zunächst repräsentative Trainingsdaten sowohl aus physischen Experimenten am realen Roboter als auch aus der Physiksimulation heraus erzeugt. Für die Simulationsexperimente werden entsprechend die zu betrachtenden Parameter variiert, um deren Einfluss auf das Simulationsergebnis zu erfassen.