Lernbasierte Robotik
Lernbasierte Robotik beschreibt unseren Service für die Entwicklung, das Training und die Validierung von Robotersystemen mithilfe datengetriebener und lernbasierter Methoden . Neben klassischem Imitation Learning und Reinforcement Learning unterstützen wir die Anpassung und Feinabstimmung von Foundation Models, darunter Vision-Language-Action (VLA) und andere Open-Source-Modelle, an spezifische Umgebungen und Anwendungen.
Dieser Service basiert auf einer simulationsorientierten Entwicklung und deckt den gesamten Lernzyklus ab – von der Datengenerierung und Modellanpassung bis hin zu Benchmarking und Einsatz auf realen Robotern – mit einem starken Fokus auf Robustheit, Reproduzierbarkeit und Anwendbarkeit in der Praxis.
Datengenerierung & -erfassung
- Generierung realitätsnaher Datensätze ( pxRobotLearning )
Unterstützt die Generierung großer Datensätze sowohl in Simulationen als auch auf physischen Robotern und gewährleistet so die Konsistenz zwischen synthetischen und realen Datenverteilungen. - Teleoperation und Human-in-the-Loop-Datenerfassung ( pxTeleopForceXR )
Ermöglicht die Datenerfassung über Teleoperationsschnittstellen, tragbare Geräte und interaktive Steuerung, wodurch der Mensch während der Aufgabenausführung anleiten, korrigieren und eingreifen kann. - Unterstützung multimodaler Daten
Erfasst synchronisierte visuelle, Punktwolken-, propriozeptive, Kraft- und aufgabenbezogene Signale für lernbasierte Robotik. - Strukturierte und versionierte Datensätze
Bietet standardisierte Datensatzformate mit Metadaten, die reproduzierbares Training, Benchmarking und Langzeitbewertung ermöglichen.
Lernen & Modellanpassung
- Integrierte IL- und RL-Pipelines
Bietet durchgängige Workflows für Imitation Learning und Reinforcement Learning und unterstützt sowohl demonstrationsgesteuertes als auch interaktionsgesteuertes Lernen. - Feinabstimmung der Foundation Models
Passt vorab trainierte Basismodelle an robotikspezifische Aufgaben, Einschränkungen und Sensormodalitäten an. - Anpassung von Vision-Language-Action-Modellen
Feinabstimmung von VLA-Modellen auf kundenspezifische Umgebungen, Aufgabensemantik und operative Arbeitsabläufe. - Integration offener Modelle
Unterstützt die Integration und Erweiterung von Open-Source-Lern- und Perzeptionsmodellen innerhalb eines einheitlichen Trainingsrahmens.
Benchmarking & Validierung
- Simulationsbasiertes Leistungs-Benchmarking
Bewertet die Lernleistung unter kontrollierten, wiederholbaren Simulationsszenarien. - Sim-to-Real- und Sim-to-Sim-Validierung
Bewertet die Robustheit der Richtlinien in verschiedenen Simulatoren und beim Transfer auf reale Hardware. - Stresstests und Grenzfallanalyse
Validiert das Verhalten unter Störungen, Sensorauschen, dynamischen Hindernissen und seltenen Ausfallbedingungen. - Quantitative Kennzahlen und Protokollierung
Bietet systematische Bewertungsmetriken für die Stabilität der Politik, die Erfolgsquote der Aufgaben und die Sicherheitsbeschränkungen.
Deployment & Inferenz
- Modellexport und -optimierung
Unterstützt Modellkonvertierung, -komprimierung und -optimierung für den Einsatz auf Edge- und Embedded-Plattformen. - ROS 2-basierte Systemintegration
Integriert trainierte Modelle nahtlos in ROS 2-Pipelines für Wahrnehmung, Planung und Steuerung. - Beschleunigte Inferenz auf dem Roboter
Ermöglicht Echtzeit-Inferenz auf mit GPUs oder Beschleunigern ausgestatteter Roboterhardware mit deterministischer Ausführung.
Typische Anwendungsfälle
- Lernbasierte Manipulation und Navigation
Entwicklung von Strategien für Greifen, Manipulation, Fortbewegung und autonome Navigation. - Mensch-Roboter-Interaktion und -Unterstützung
Training interaktiver Verhaltensweisen, die menschliche Eingaben, sprachliche Anweisungen und Feedback nutzen. - Algorithmen-Benchmarking und -Bewertung
Vergleichende Bewertung von Lernalgorithmen unter standardisierten Bedingungen. - Forschungs- und industrielle F&E-Projekte
Angewandte Forschung, Prototypenentwicklung und Technologievalidierung für industrielle Robotikanwendungen (z. B. WPT-Projekt ).