Industrial
AI
Künstliche Intelligenz für innovative Robotik und Automatisierung in der Produktion
Ihr Ansprechpartner
Dr.-Ing. Muhammad Saeed
Forschungskoordinator ARENA2036. e.V.
Industrial-AI
Der Forschungsschwerpunkt Industrial AI in ARENA2036 erforscht den Einsatz von künstlicher Intelligenz (KI) zur Optimierung von Robotik- und Automatisierungssystemen. Durch intelligente Algorithmen und maschinelles Lernen entstehen neue Lösungsansätze für adaptive Produktion, sichere Mensch-Roboter-Interaktion und autonome Entscheidungsfindung. Ziel ist es, KI-Technologien für industrielle Anwendungen nutzbar zu machen und Innovationspotenziale auszuschöpfen.
Thematische Schwerpunkte
Drohnen für Überwachung, Objektidentifizierung und Präzisionslandwirtschaft
Unser drohnenbasiertes intelligentes Überwachungssystem kombiniert fortschrittliche Bildverarbeitung, KI-gestützte Objekterkennung und autonome Navigationsfunktionen, um große Industrie- und Außenbereiche effizient zu überwachen. Ausgestattet mit hochauflösenden Kameras und KI-Verarbeitung am Rand können die Drohnen Objekte in Echtzeit identifizieren, klassifizieren und verfolgen, was Anwendungen wie Infrastrukturinspektionen, Sicherheitsüberwachung, Bestandsverfolgung und Umweltbewertung ermöglicht. Das System nutzt Algorithmen des maschinellen Lernens, um bestimmte Objekte zu erkennen, Anomalien zu entdecken und umsetzbare Erkenntnisse mit minimalem menschlichem Eingriff zu liefern. Über die industrielle Überwachung hinaus lässt sich die Technologie auf die Präzisionslandwirtschaft ausweiten, wo Drohnen den Gesundheitszustand von Pflanzen ermitteln, den Bewässerungsstatus überwachen, Schädlingsbefall erkennen und Bereiche kartieren können, die eine Pestizidbehandlung erfordern. Durch die Integration von Geodatenanalysen und KI-basierter Bildverarbeitung ermöglicht das System einen gezielten Einsatz von Pestiziden, wodurch der Chemikalienverbrauch gesenkt und gleichzeitig die Ernteerträge sowie die Nachhaltigkeit verbessert werden. Diese intelligente Lösung zur Luftüberwachung zeigt, wie autonome Systeme durch datengestützte Entscheidungsfindung sowohl industrielle als auch landwirtschaftliche Abläufe transformieren können.
Ansprechpartner:innen
Anum Iqbal, Prof Aamir Ahmed
Autonom geführte Fahrzeuge (AGVs) mit verstärktem Lernen für eine intelligente Logistikplanung
Die AGV-Forschungsplattform konzentriert sich auf intelligente Logistik und Materialtransport unter Einsatz von Deep Reinforcement Learning (DRL) und Reinforcement Learning (RL). Die autonomen Fahrzeuge erlernen optimale Navigationsstrategien zwischen festgelegten Standorten und passen sich dabei dynamisch an wechselnde Umgebungen, Hindernisse und betriebliche Einschränkungen an. Im Gegensatz zu herkömmlichen Methoden der Wegplanung verbessern RL-basierte AGVs ihre Leistung kontinuierlich durch Interaktion mit ihrer Umgebung und ermöglichen so effizientere und flexiblere Logistikabläufe. Um die industrielle Interoperabilität zu gewährleisten, integriert das System die Kommunikationsstandards VDA 5050 und Asset Administration Shell (AAS)-Technologien. Diese Integration ermöglicht eine nahtlose Kommunikation zwischen heterogenen AGVs, Logistiksystemen und Industrie-4.0-Plattformen. Das Projekt zeigt, wie intelligente Transportsysteme zu Smart Factories beitragen können, indem sie den Materialfluss optimieren, Transportzeiten verkürzen und autonome Entscheidungsfindung in vernetzten Produktionsumgebungen ermöglichen.
Ansprechpartner:innen
Sarah Zain, Johannes Scheu, Florenz Graf
Entwicklung digitaler Zwillinge mithilfe von FARO-Punktwolkenerfassung und Objekterkennung
Die „Digital Twin“-Initiative konzentriert sich auf die Erstellung einer umfassenden virtuellen Darstellung der gesamten Fertigungshalle mithilfe der FARO-Laserscantechnologie. In der gesamten Anlage werden hochauflösende Punktwolkendaten erfasst, wodurch präzise dreidimensionale Modelle von Maschinen, Arbeitsplätzen, Robotern und Infrastrukturkomponenten entstehen. Diese digitalen Darstellungen bieten einen detaillierten und kontinuierlich aktualisierbaren Überblick über die physische Umgebung. Anschließend werden fortschrittliche KI- und Punktwolkenanalysen eingesetzt, um Objekte innerhalb der gescannten Umgebung zu identifizieren, zu klassifizieren und zu überwachen. Durch die Kombination von Digital Twins mit Objekterkennungstechnologien unterstützt die Plattform die Fabrikplanung, das Anlagenmanagement, die Prozessoptimierung und die Echtzeitüberwachung. Das daraus resultierende digitale Ökosystem bildet die Grundlage für simulationsgestützte Entscheidungsfindung und ermöglicht den Übergang zu vollständig vernetzten intelligenten Fertigungsumgebungen.
Ansprechpartner:innen
Maaz Ahmed, Muhammad Tayyab, Ananya Kulkarni, Steffen Kappes, Dennis Hoppe, Kerem Kayabay
Integration von Bibliotheken für quantenbasiertes maschinelles Lernen in die HPC-Infrastruktur
Diese Forschungsaktivität befasst sich mit der Integration von Frameworks für das Quantum Machine Learning (QML) in die vom HLRS bereitgestellten Hochleistungsrechnerressourcen (HPC). Ziel ist es, zu untersuchen, wie klassisches Supercomputing und neue Quantencomputing-Technologien kombiniert werden können, um komplexe industrielle und wissenschaftliche Herausforderungen effizienter zu lösen. Durch den Einsatz hybrider quanten-klassischer Workflows können Forscher die Leistung, Skalierbarkeit und praktische Anwendbarkeit quantenverstärkter Algorithmen bewerten.
Das Projekt nutzt führende Quanten-Softwarebibliotheken und Simulatoren in Verbindung mit HPC-Clustern, um Experimente und Benchmarking zu beschleunigen. Zu den Anwendungsbereichen zählen Optimierung, vorausschauende Wartung, Manufacturing Intelligence, Logistikplanung und wissenschaftliche Entdeckungen. Diese Initiative dient als Sprungbrett für zukünftige Quantum-HPC-Ökosysteme, die in der Lage sind, Rechenprobleme zu lösen, die derzeit mit klassischer Datenverarbeitung allein nicht bewältigt werden können.
Ansprechpartner:innen
Maaz Ahmed, Kanak Pandit, Dennis Hoppe, Kerem Kayabay
KUKA-Roboterarm für die auf verstärktem Lernen basierende Bahnplanung
Die KUKA-Roboterarmplattform wird zur Entwicklung und Validierung von Algorithmen des verstärkenden Lernens für die intelligente Bahnplanung genutzt. Anstatt sich ausschließlich auf vordefinierte Bewegungsbahnen zu stützen, lernt der Roboter durch Interaktion mit seiner Umgebung optimale Bewegungsstrategien. Das System verbessert kontinuierlich seine Fähigkeiten zur Bewegungsplanung und ermöglicht so eine effiziente Navigation durch komplexe und dynamische Arbeitsbereiche. Dieser Ansatz bietet erhebliche Vorteile in flexiblen Fertigungsszenarien, in denen sich Layouts, Objekte und Aufgaben häufig ändern. Das RL-basierte Framework verbessert die Anpassungsfähigkeit, reduziert den Programmieraufwand und ermöglicht die autonome Optimierung von Roboterabläufen. Das Projekt zeigt, wie KI-gesteuerte Robotik Fertigungsumgebungen der nächsten Generation unterstützen kann, die sich durch Agilität, Effizienz und Resilienz auszeichnen.
Ansprechpartner:innen
Lukas Ott, Sumayyah Khan, Kanak Pandit
KUKA-Roboterarm für kontextbezogene Kollisionsvermeidung
Dieses Projekt befasst sich mit der kontextbezogenen Kollisionsvermeidung unter Einsatz von KUKA-Robotersystemen und fortschrittlichen KI-Technologien. Herkömmliche Kollisionsvermeidungssysteme reagieren in erster Linie auf Hindernisse; das vorgeschlagene Konzept berücksichtigt jedoch Kontextinformationen wie Objekttyp, Aufgabenpriorität, Arbeitsraumbedingungen und die Anwesenheit von Menschen, um in Echtzeit intelligente Entscheidungen zu treffen. Mithilfe von Sensorfusion, maschinellem Lernen und Umgebungswahrnehmung kann der Roboterarm zwischen verschiedenen Objektkategorien unterscheiden und sein Verhalten entsprechend anpassen. Diese Fähigkeit verbessert die Sicherheit, steigert die Produktivität und unterstützt eine natürlichere Zusammenarbeit zwischen Mensch und Roboter. Die Technologie stellt einen wichtigen Schritt in Richtung kognitiver Fertigungssysteme dar, die ihren Betriebskontext verstehen und intelligent darauf reagieren.
Ansprechpartner:innen
Lukas Ott, Matthias Marquart
NEURA LARA für intelligente Bin-Picking-Anwendungen
Die Roboterplattform NEURA LARA wird für fortschrittliche Bin-Picking-Anwendungen in industriellen Umgebungen erprobt. Ausgestattet mit hochentwickelten Wahrnehmungssystemen und präzisen Manipulationsfähigkeiten kann der Roboter Objekte in unstrukturierten Behältern mit hoher Genauigkeit und Zuverlässigkeit identifizieren, lokalisieren und entnehmen. Das System integriert bildverarbeitungsbasierte Objekterkennung und Bewegungsplanung, um repetitive Materialhandhabungsaufgaben zu automatisieren. Über traditionelle Fertigungsanwendungen hinaus hat die Technologie großes Potenzial im Bereich der Medizintechnik. Die automatisierte Handhabung von medizinischen Komponenten, Laborbedarf und medizinischen Geräten kann die betriebliche Effizienz steigern und gleichzeitig die Arbeitsbelastung des Personals verringern. Die Plattform zeigt, wie intelligente Robotermanipulation sowohl zur industriellen Automatisierung als auch zu zukünftigen Lösungen im Gesundheitswesen beitragen kann.
Ansprechpartner:innen
Johannes Scheu, Riffaqat Hussain, Kanak Pandit, Ananya Kulkarni, Ons Laroussi, Heba Khamis
NEURA MAiRA für kognitives Sortieren, Stapeln und Segmentieren
NEURA MAiRA steht für eine neue Generation kognitiver Robotik, die in der Lage ist, komplexe Umgebungen zu verstehen und mit ihnen zu interagieren. Das System kombiniert KI-basierte Wahrnehmung, Objektsegmentierung und adaptive Manipulation, um eine Vielzahl von Industrie- und Haushaltsgegenständen zu sortieren, zu stapeln und zu organisieren. Im Gegensatz zu herkömmlichen Automatisierungssystemen interpretiert MAiRA ihre Umgebung kontinuierlich und passt ihre Handlungen an sich ändernde Bedingungen an. Durch fortschrittliches maschinelles Lernen und semantisches Verständnis kann der Roboter zwischen Objektkategorien unterscheiden, Stapelstrategien optimieren und intelligente Sortieraufgaben mit minimaler Überwachung ausführen. Die Anwendungsbereiche reichen von Logistik und Lagerhaltung über Recycling und Montagevorgänge bis hin zu Smart-Home-Umgebungen. Das Projekt verdeutlicht die Entwicklung der Robotik von programmierbarer Automatisierung hin zu wirklich kognitiven Systemen.
Ansprechpartner:innen
Johannes Scheu, Ateeqa Siddiqui Kanak Pandit, Ananya Kulkarni, Kazim Raza, Chaima Daldoul, Lateef Khan
Humanoide Roboter und bestärkendes Lernen für die Mensch-Roboter-Zusammenarbeit
Diese Forschungsarbeit untersucht die Anwendung des verstärkenden Lernens bei humanoiden Robotern, die für die Zusammenarbeit mit Menschen in gemeinsamen Umgebungen konzipiert sind. Humanoide Roboter verfügen über menschenähnliche Bewegungs- und Manipulationsfähigkeiten, wodurch sie sich besonders für kollaborative Aufgaben wie Pick-and-Place-Vorgänge, Materialhandhabung und Unterstützung am Arbeitsplatz eignen. Durch den Einsatz von verstärktem Lernen erlernt der humanoide Roboter durch Erfahrung optimale Verhaltensweisen und passt sich in Echtzeit an dynamische Bedingungen an. Der Schwerpunkt liegt auf der Ermöglichung einer sicheren, effizienten und intuitiven Zusammenarbeit zwischen Menschen und Robotern. Solche Systeme haben das Potenzial, die Fertigungs-, Logistik-, Gesundheits- und Dienstleistungsbranche zu unterstützen, indem sie menschliche Flexibilität mit robotischer Präzision und Ausdauer verbinden.
Ansprechpartner:innen
Mustafa Talal, Lukas Ott, Kanak Pandit
Retrieval-Augmented Generation (RAG) für das industrielle Wissensmanagement
Retrieval-Augmented Generation (RAG) kombiniert große Sprachmodelle mit externen Wissensquellen, um präzise, kontextbezogene und nachvollziehbare Antworten zu liefern. Im Gegensatz zu herkömmlichen KI-Assistenten, die sich ausschließlich auf vortrainiertes Wissen stützen, beziehen RAG-Systeme relevante Informationen aus Dokumenten, Datenbanken, technischen Handbüchern und Unternehmensrepositorien, bevor sie Antworten generieren. Diese Technologie ermöglicht ein intelligentes Wissensmanagement in industriellen Umgebungen, indem sie Ingenieure, Bediener und Entscheidungsträger durch sofortigen Zugriff auf kritische Informationen unterstützt. Zu den potenziellen Anwendungsbereichen gehören Wartungsunterstützung, Hilfe bei der Fehlerbehebung, Suche in technischen Dokumentationen, Qualitätsmanagement und Schulungen. Der Ansatz verbessert die Genauigkeit der Antworten und stellt gleichzeitig sicher, dass die generierten Inhalte auf verifiziertem Unternehmenswissen basieren.
Ansprechparnter:innen
Lateef Khan, Ilche Georgievski
Large Language Models (LLMs) für industrielle und Forschungsanwendungen
Große Sprachmodelle (LLMs) verändern die Art und Weise, wie Unternehmen mit Informationen umgehen, Prozesse automatisieren und Entscheidungsprozesse unterstützen. Diese KI-Systeme können natürliche Sprache verstehen, generieren, zusammenfassen und analysieren, was eine breite Palette von Anwendungsmöglichkeiten in den Bereichen Fertigung, Forschung und Geschäftsabläufe ermöglicht. In industriellen Umgebungen können LLMs intelligente Assistenten, automatisierte Berichterstellung, vorausschauende Wartungsanalysen, technische Dokumentation, Codegenerierung, Prozessoptimierung und die Mensch-Maschine-Interaktion unterstützen. In Kombination mit domänenspezifischen Daten, digitalen Zwillingen, IoT-Systemen und Wissensdatenbanken werden LLMs zu leistungsstarken Werkzeugen zur Beschleunigung von Innovationen und zur Verbesserung der betrieblichen Effizienz. Die Technologie stellt einen wichtigen Baustein für zukünftige KI-gesteuerte Smart Factories und intelligente Unternehmen dar.
Ansprechpartner:innen
Tanay Rajendrakumar Khilare, Ulrike Pado
Vertrauenswürdige und nachvollziehbare KI für die Echtzeit-Videoanalyse
Dieses Projekt entwickelt vertrauenswürdige und erklärbare KI (XAI) für die Echtzeit-Videoanalyse, die eine genaue Erkennung und Identifizierung von Objekten ermöglicht und gleichzeitig transparente Erklärungen für KI-Entscheidungen liefert. Um den Datenschutz und die Einhaltung von Sicherheitsvorschriften zu gewährleisten, verwischt und anonymisiert das System automatisch menschliche Gesichter, während es weiterhin Aktivitäten überwacht und relevante Objekte erkennt. Die Lösung unterstützt Anwendungen in den Bereichen intelligente Fertigung, Logistik, Überwachung und Sicherheitsüberwachung, indem sie Echtzeit-Objekterkennung, Datenschutz und erklärbare Entscheidungsfindung miteinander verbindet.
Ansprechpartner:innen
Riffaqat Hussain, Kanak Pandit, Kerem Kayaba
KI-gestützte Erstellung von CAD-Modellen
Dieses Projekt untersucht den Einsatz generativer KI und Techniken des maschinellen Lernens zur automatischen Erstellung und Optimierung von CAD-Modellen auf der Grundlage von Konstruktionsanforderungen, Skizzen, Textvorgaben oder vorhandenen technischen Daten. Dieser Ansatz beschleunigt die Produktentwicklung, unterstützt das Rapid Prototyping und ermöglicht es Ingenieuren, innovative Konstruktionsalternativen zu generieren, während gleichzeitig der manuelle Modellierungsaufwand und die Entwicklungszykluszeiten reduziert werden.
Ansprechpartner:innen
Nabiha Anwar
Erzeugung synthetischer Daten für das Training künstlicher Intelligenz
Im Mittelpunkt dieser Aktivität steht die Generierung hochwertiger synthetischer Datensätze mithilfe von KI, Simulation und Digital-Twin-Technologien zur Unterstützung der Entwicklung von Modellen für maschinelles Lernen. Synthetische Daten tragen dazu bei, Datenknappheit, Datenschutzbedenken und Herausforderungen bei der Annotation zu überwinden und gleichzeitig die Robustheit und Genauigkeit von KI-Systemen zu verbessern. Zu den Anwendungsbereichen zählen Objekterkennung, Robotik, Qualitätsprüfung, autonome Systeme und industrielle Automatisierung.
Ansprechpartner:innen
Maaz Ahmed, Anum Iqbal, Ateeqa Siddiqui, Mustafa Talal, Kanak Pandit, Ananya Kulkarni
Quanten-Maschinelles Lernen (QML)
Dieses Projekt untersucht die Integration von Quantencomputing und maschinellem Lernen, um KI-Lösungen der nächsten Generation für komplexe industrielle und wissenschaftliche Herausforderungen zu entwickeln. Durch den Einsatz quantenverstärkter Algorithmen in Verbindung mit klassischen Rechenressourcen zielt das „Quantum Machine Learning“ darauf ab, Optimierungs-, Mustererkennungs-, Vorhersage- und Entscheidungsprozesse zu verbessern. Die Forschung untersucht hybride quanten-klassische Arbeitsabläufe und bewertet deren Anwendungspotenzial in den Bereichen Fertigung, Logistik, Robotik, digitale Zwillinge und datengesteuertes Engineering, um den Weg für zukünftige KI-Systeme zu ebnen, die auf Quantentechnologien basieren.
Ansprechparnter:innen
Anum Iqbal, Ateeqa Siddiqui, Maaz Ahmed, Kanak Pandit, Ananya Kulkarni, Georg Siedel
Kontakt-Tastgreifer für die intelligente Roboterhandhabung
Dieses Projekt nutzt den Contactile Tactile Gripper, um die Handhabungsfähigkeiten von Robotern durch fortschrittliche Berührungs- und Kraftsensoren zu verbessern. Durch die Bereitstellung von taktiler Rückmeldung in Echtzeit ermöglicht der Greifer Robotern, Objekteigenschaften zu erkennen, die Greifkraft anzupassen und empfindliche oder unregelmäßig geformte Gegenstände mit größerer Präzision und Zuverlässigkeit zu handhaben. Die Technologie unterstützt Anwendungen wie Bin-Picking, Montage, Qualitätsprüfung und Mensch-Roboter-Zusammenarbeit und ermöglicht es Robotersystemen, komplexe Handhabungsaufgaben in dynamischen industriellen Umgebungen sicherer und intelligenter auszuführen.
Ansprechpartner:innen
Johannes Scheu, Kanak Pandit, Ateeqa Siddiqui, Riffaqat Hussain, Ons Laroussi, Heba Khamis
Zielstellung
Projekte im Forschungsschwerpunkt Industrial AI treiben die Entwicklung KI-gestützter Automatisierungslösungen für die Industrie voran. Unser Ziel ist es, innovative, effiziente und sichere KI-Technologien für die Produktion zu erforschen und anwendungsnah zu entwickeln. Das Forschungsfeld richtet sich an Unternehmen, Forschungseinrichtungen und Start-ups, die an der Integration von KI in Produktionsprozesse interessiert sind. Impulsgeber sind unter anderem Industriepartner und wissenschaftliche Institutionen.