Theses

Motivation

Autonome mobile Roboter (AMR) werden zunehmend in Produktion und Logistik eingesetzt. Für eine intuitive Bedienung und Visualisierung von Zuständen, Fahrwegen oder Prozessinformationen bietet Augmented Reality (AR) großes Potenzial. Voraussetzung hierfür ist eine zuverlässige Lokalisierung des AR-Endgeräts in der realen Umgebung relativ zum AMR.

Problemstellung

Für Innenräume eignen sich satellitengestützte Lokalisierungsverfahren in der Regel nicht. Stattdessen werden kamerabasierte Methoden benötigt, die auch in dynamischen Hallenumgebungen robuste Ergebnisse liefern. Ein vielversprechender Ansatz ist VisualSLAM (V-SLAM), bei dem sich das Endgerät anhand visueller Merkmale lokalisiert und gleichzeitig eine Umgebungskarte nutzt bzw. erstellt.

Zielsetzung

n der Arbeit soll eine funktionsfähige V-SLAM-Lösung in die bestehende AMR-Umgebung integriert und unter realen Bedingungen getestet werden. Optional können ArUco-Marker zur Referenzierung oder Stabilisierung eingesetzt werden.

• Analyse geeigneter V-SLAM-Technologien für mobile AR-Endgeräte
• Auswahl und Implementierung einer geeigneten Systemarchitektur
• Integration der Lokalisierung in die bestehende AMR-Umgebung
• Entwicklung eines AR-Demonstrators zur Visualisierung relevanter Informationen
• Erprobung mit realen AMRs im Testumfeld
• Bewertung hinsichtlich Genauigkeit, Stabilität und Performance

Voraussetzung

• Abgeschlossenes Bachelorstudium (Wirtschaftsingenieurwesen, Produktionstechnik, Systems Engineering oder vergleichbares)
• Sehr gute Deutschkenntnisse in Wort und Schrift
• Gute Englischkenntnisse (wichtig für das Verstehen von wissenschaftlichen Papieren)
• Gute Programmierkenntnisse (erste Erfahrungen mit ROS, Unity, OpenCV, etc. von Vorteil)
• Interesse an Computer Vision, AR und mobiler Robotik
• Selbstständiges Arbeiten und hohe Zuverlässigkeit

Ansprechpartnerin

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Laura Mittelsdorf
E-mail: mil@biba.uni-bremen.de
Tel.: 0421 / 218 - 50 058

Motivation:

• Die effiziente 3D-Beladung von Ladeträgern ist ein entscheidender Faktor für die Kosteneffizienz und Nachhaltigkeit in der Logistik. Da klassische, regelbasierte Algorithmen bei steigender Komplexität und dynamischen Randbedingungen oft versagen, bietet Deep Reinforcement Learning (DRL) das Potenzial für adaptive und hochoptimierte Packstrategien.

Problemstellung:

• Das 3D Bin Packing Problem ist ein NP-hartes Optimierungsproblem, bei dem Objekte variabler Geometrie unter Einhaltung physikalischer Randbedingungen (z. B. Stapelbarkeit, Gewichtsverteilung) optimal platziert werden müssen. Die Herausforderung besteht darin, ein Modell zu entwickeln, das trotz hoher Zustandsraumkomplexität in Echtzeit stabile Lösungen generiert.

Zielsetzung:

• Gegenstand der Arbeit ist die Entwicklung und Evaluation eines Reinforcement Learning Ansatzes zur autonomen Optimierung der 3D-Packdichte sowie dessen Benchmarking gegenüber klassischen Heuristiken unter Berücksichtigung systemtechnischer Randbedingungen. Dies kann bestehen aus:
• Recherche: Analyse des aktuellen Stands der Forschung.
• Modellierung: Definition des State Space, Action Space und einer Reward-Funktion.
• Implementierung: Aufbau einer Simulationsumgebung und Training des Agenten unter Berücksichtigung systemtechnischer Randbedingungen.
• Validierung: Vergleich der erzielten Ergebnisse mit klassischen Heuristiken hinsichtlich geeigneter Metriken.

Voraussetzungen:

• Abgeschlossenes Bachelorstudium (Wirtschaftsingenieurwesen oder Produktionstechnik)
• Gute Englischkenntnisse (wichtig für das Verstehen von wissenschaftlichen Papieren)
• Sehr gute Deutschkenntnisse in Wort und Schrift
• Selbstständiges Arbeiten und hohe Zuverlässigkeit
• Gute Programmierkenntnisse in Python
• Erste Erfahrungen mit Machine Learning Frameworks und Konzepten

Ansprechpartner:

Nicolas Jathe 
E-Mail: jat@biba.uni-bremen.de
Tel.: 0421 / 218 - 50048

Hintergrund

• Fehlmontagen bei Kränen sind sicherheitskritisch
• KI-basierte Objekterkennung basierend auf synthetischen Trainingsdaten bietet neue Lösungsansätze

Aufgabenbeschreibung

• Generierung synthetischer Bilddaten verschiedener Kranmontagezustände
• Training eines Objekterkennungsmodells zur Detektion von Gegengewichten
• Validierung mit realen und synthetischen Bildquellen (z. B. Drohnenaufnahmen).

Zielsetzung

• Entwicklung eines KI-Prototyps zur visuellen Prüfung der Kranmontage

Voraussetzung

• Kenntnisse in Python und Deep Learning (z. B. YOLO).
• Interesse an 3D-Tools wie Omniverse, Blender o. ä.
• Optional Interesse an Drohnen im industriellen Anwendungen.

Ansprechpartner

BIBA, Forschungsbereich: Intelligente Produktions- und Logistiksysteme (IPS)
Nicolas Jathe
E-Mail: jat@biba.uni-bremen.de
Tel.: 0421 / 218 - 50048

Hintergrund:

• Die stoffliche Verwertung recycelbarer Abfälle wird immer wichtiger, um Energie und fossile Brennstoffe einzusparen und natürliche Ressourcen zu schonen – ein Anliegen, das auch politisch unterstützt wird. Dabei liegt ein Fokus auf der Senkung des Energieverbrauchs bei der Trennung und Sortierung von Abfällen, die für das Recycling genutzt werden sollen.
  
  
• Im Projekt EnSort (Energieeffiziente Sortieranlage) soll der Energieaufwand von Maschinen, die im komplexen Sortierprozess verwendet werden, mithilfe von KI-basierter Materialerkennung optimiert werden. Ziel ist es, den Sortierprozess für recycelbare Materialien effizienter zu gestalten und die Anlage an unterschiedliche Qualitäten des Abfallmaterials flexibel anzupassen. Dies wird durch die Digitalisierung des bisher manuell gesteuerten Prozesses ermöglicht.

Problemstellung:

• Für die Entwicklung eines Digitalen Zwillings, um die Gesamtanlage zu simulieren, ist die Prognose der Sortierergebnisse der Nahinfrarot-Sortieraggregate notwendig. Diese hochtechnologischen Geräte, welche als Kernelemente jeder Sortieranlage eigesetzt werden, klassifizieren mittels Nahinfrarot-Spektroskopie verschiede Materialien auf dem darunterliegenden Fließband in Sekundenbruchteilen und separieren diese im Anschluss mittels Druckluft in die verschiedenen Materialfraktionen

Zielsetzung:

• Darstellung des Stands der Technik bezüglich geeigneter Methoden für die Datenvorverarbeitung und Machine Learning-Algorithmen
• Evaluieren verschiedener Maschinenkenngrößen und Zusammenstellen des Testdatensatzes
• Data preprocessing zur Optimierung der Datenverarbeitung
• Umsetzung verschiedener Algorithmen mit anschließendem Vergleich mithilfe verschiedener Kenngrößen

Voraussetzungen:

• Kenntnisse in der Datenverarbeitung und Python
• Interesse an Nachhaltigkeit und Kunststoffrecycling
• Erfahrung im Maschinellen Lernen
• Selbstständige und verantwortungsbewusste Arbeitsweise

Ansprechpartner:

BIBA - Bremer Institut für Produktion und Logistik GmbH
Informations- und kommunikationstechnische Anwendungen in der Produktion (IKAP)
Marcel Wiechmann
E-Mail: wim@biba.uni-bremen.de
Tel.: 0421 / 218 - 64864