für Software-Projekte oder Abschlussarbeiten mit einem umfangreichen Programmierungs-Anteil empfielt es sich bereits Vorkenntnisse in diesen Bereichen mitzubringen:
Wir bieten eine weite Spannbreite von Themen an im Einklang mit den vielfältigen Fachdisziplinen, die in der Robotik zusammenlaufen:
Die Assembly-Station ist ein neu mit der Smart Manufacturing League eingeführter, stationärer Roboter-Arm, der darauf spezialisiert ist, die Rohmaterial-Blöcke in fertige Produkte zu stapeln und langfristig auch diese Produkte wieder in einzelne Blöcke zu recyceln.
Ein Igus Rebel Cobot für diese Aufgabe ist bereits vorhanden, jedoch fehlt noch eine ros2_control Hardware-Integration.
In seinen Inventories transportiert der Roboter Objekte. Mit der Smart Manufacturing Liga fällt die lange die @work-Liga bestimmende Limitierung von maximal 3 Objekten, die auf dem Roboter transportiert werden dürfen. Ebenfalls ändern die zu transportierenden Objekte. Beide Faktoren zusammen ermöglichen einen grundlegenden Neu-Entwurf der Inventories des Roboters
Entwicklung eines robusten Systems zur Grip-Detection für robotische Greifer vor. Ziel ist es, mithilfe von Sensordaten (z. B. Kraft-, Druck- oder Tastsensoren) zuverlässig zu erkennen, ob und wie sicher ein Objekt gegriffen wurde. Dazu sollen geeignete Algorithmen entwickelt und verglichen werden, etwa schwellenbasierte Verfahren oder Ansätze aus dem maschinellen Lernen. Ein Schwerpunkt liegt auf der robusten Echtzeit-Auswertung sowie der Integration in bestehende Robotik-Frameworks wie ROS 2
Vergleichende Untersuchung der Einbindung eines Mikrocontrollers zu Ansteuerung eines Greifer-Servos via micro-ros und serieller Schnittstelle. Ziel ist es, eine zuverlässige Kommunikation zwischen einem Mikrocontroller (Raspberry Pi Pico 2) und einem Computer und Software-Stack basierend auf ROS 2 zu realisieren. Dabei sollen zwei Ansätze der Signalübertragung implementiert und verglichen werden. Ein Schwerpunkt liegt auf der robusten Umsetzung von Positions- und Kraftsteuerung sowie der Rückmeldung von Sensordaten.
Konfiguration und Optimierung eines Navigationssystems auf Basis des Nav2-Stacks für den mobilen Roboter KUKA youBot vor. Ziel ist es, eine zuverlässige autonome Navigation in Innenräumen zu ermöglichen, einschließlich Lokalisierung, Pfadplanung und Hindernisvermeidung. Dabei sollen zentrale Komponenten wie AMCL, Costmaps und Controller-Plugins auf die spezifischen Eigenschaften des Roboters abgestimmt werden.
Entwicklung eines Systems zur Objekt-Erkennung und Posen-Schätzung SML-Klemmbausteinen: Ziel ist es, mithilfe von RGB-D Kameradaten einzelne Bausteine zuverlässig zu identifizieren und ihre 6D-Pose im Raum zu bestimmen. Dafür sollen moderne Deep-Learnin Ansätze verglichen und für unseren Anwendungsfall trainiert werden. Ein Schwerpunkt liegt auf der Robustheit gegenüber unterschiedlichen Lichtverhältnissen und Teilverdeckungen.
Entwicklung eines Systems, dass aus erkannten Klemmbausteinen und deren Posen flexibel die zusammengesetzte Form / ein Produkt der Smart Manufacturing Liga identifiziert und klassifiziert. Ziel ist es, eine konfigurierbare Pipeline zu entwerfen, die die Anordnung einzelner Steine mit vordefinierten Modellen vergleicht. Dabei sollen graphbasierte oder regelbasierte Ansätze sowie Methoden des maschinellen Lernens untersucht werden. Ein besonderer Fokus liegt auf der Erweiterbarkeit, sodass neue Produkte ohne großen Aufwand hinzugefügt und alte Produkte entfernt werden können.
Entwicklung eines Inventory-Vision-Systems zur Überprüfung von Greiferfolg und korrektem Ablegen von Klemmbausteinen im Lagerbereich vor. Ziel ist es, mithilfe von Kameradaten automatisch zu erkennen, ob ein Objekt erfolgreich gegriffen und an der vorgesehenen Position korrekt platziert wurde. Bei Fehlgriffen oder fehlerhafter Ablage soll das System einen erneuten Pick-Versuch auszulösen. Dabei werden robuste BildverarbeitungsMethoden eingesetzt, um Abweichungen vom intendierten Zielzustand zuverlässig zu erfassen.
Entwicklung einer zeitsparenden Ablaufplanung für die Prozesse Objektsuche, Greifen und Ablegen: Ziel ist es, durch intelligente Planung und Koordination die Gesamtzykluszeit eines robotischen Systems signifikant zu reduzieren. Dabei sollen Strategien wie parallele Verarbeitung und optimierte Bewegungsplanung und eine State-Machine-Basierter Ansatz einem Behaviour-Tree gegenübergestellt und vergleichend untersucht werden. Ein besonderer Fokus liegt auf der dynamischen Anpassung an veränderliche Umgebungsbedingungen und unsichere Wahrnehmungsdaten.
Im Zusammenspiel aus Stärken und Interessen der Studis und offenen Aufgaben im Team lassen sich immer auch weitere Themen abstimmen.
Letzte Änderung: 22.03.2026 -
Ansprechpartner:
