Swarm Lab

Das Labor und Kompetenzzentrum für „Schwarmbasierte Logistik“ fokussiert auf die Forschung im Kontext Künstliche Intelligenz mit den Schwerpunkten Schwarmintelligenz und Deep Learning.

1

Schwarmroboter

Mit dem Schwarmroboter trainieren die Studierenden die Kombination von Schwarmintelligenz und Neuronalen Netzwerken für die praxisnahe Simulation von Logistikprozessen. Die Studierenden realisieren mit einem Raspberry Pi leistungsfähige Neuronale Netzwerke – wie beispielsweise Convolutional Neural Networks – für die Klassifizierung von Objekten im Kontext Transport und Autonomes Fahren. Die Schwarmroboter transportieren Paletten und sind das Bindeglied zwischen den Modulen.

2

Hochregallager

Mit dem Hochregallager trainieren die Studierenden verschiedene Strategien zur Lagerverwaltung in einem schwarmbasierten Logistikzentrum. Das Hochregallager erhält Aufträge von einer zentralen Verwaltungsinstanz (Mediator) – basierend auf einem Raspberry Pi – zwecks Empfang und Bereitstellung der Paletten durch die Schwarmroboter.

3

Sortiermaschine

Die Sortiermaschine ist verantwortlich für die automatische Qualitätssicherung vor Einlagerung der Paletten in das Hochregallager. Zwecks Qualitätskontrolle werden Objekte in den Paletten auf Defekte analysiert. Die Studierenden trainieren die Konzeptionierung, Realisierung und Parameteroptimierung von leistungsfähigen Convolutional Neural Networks basierend auf der NVIDIA-Jetson Plattform mit TensorFlow/KERAS. Die Qualitätssicherung ist auf Durchsatz zu optimieren. In Benchmarks entwickeln die Studierenden Strategien, um den Durchsatz unter Berücksichtigung der geforderten Erkennungsrate zu erzielen.

4

Horizontales Lager

Auf dem Horizontalen Lager bewegen sich bis zu drei Schwarmroboter (Lifter). Die Studierenden trainieren die Integration von emergentem Schwarmverhalten mit Deep Learning. Im Rahmen der Simulation des emergentem Verhaltens organisieren sich die Schwarmroboter selbstständig untereinander und nutzen leistungsfähige Neuronale Netzwerke für die Klassifizierung im Rahmen der Navigation und dem Transport. Eine besondere Herausforderung liegt hierbei in der kollisionsfreien Navigation und stabilem Transport unter Berücksichtigung der Ränder des Horizontalen Lagers.

5

Verladeplattform-/roboter für autonomen LKW

Mit dem Autonomen LKW trainieren die Studierenden die Realisierung von Deep Learning für den Einsatz in Autonomen Fahrzeugen. Für das Autonome Fahren realisieren die Studierenden leistungsfähige Neuronale Netzwerke für die Klassifizierung von Verkehrsschildern und Hindernissen. Eine besondere Herausforderung ist die Komplexität der gleichzeitig und in Echtzeit zu verarbeitenden Informationen, damit beispielsweise beim Abbiegen der LKW nicht mi t einem Fußgänger kollidiert. Hierzu kommen Systeme für Hochleistungs-KI wie dem NVIDIA Jetson TX2 zur Anwendung.

Kontakt

Prof. Dr. Carsten Müller
  • Professor Angewandte Informatik

Schloss 10
97980 Bad Mergentheim

Telefon
07931 1230-536
Fax
07931 1230-524