Bachelorarbeit — Robotisches Bin-Picking mittels Supervised und Imitation Learning

Meine Bachelorarbeit an der FAU Erlangen-Nürnberg („Optimizing Robotic Bin-Picking of Radioactive Debris using Supervised and Imitation Learning") entwickelte ein neuronales Teileauswahlsystem zur Verbesserung des robotischen Bin-Picking für die halbautonome Handhabung radioaktiver Abfälle.

Die Trainingsdaten entstanden durch VR-Teleoperation und Simulation in Unity: Menschliche Operatoren demonstrierten Greifbewegungen in einem VR-Aufbau (VIRERO), und die Demonstrationen dienten als Grundlage für Supervised und Imitation Learning (Behavioral Cloning, GAIL) sowie für RL-Policies (PPO/SAC) auf Basis von Unity ML-Agents. Das finale System erreichte eine Greifgenauigkeit von 73 % (eine Verbesserung um 5 Prozentpunkte gegenüber dem alten System) bei nur 1,2 ms zusätzlicher Latenz.

Die zugrunde liegende Unity-Simulation bildet die Roboterzelle mit URDF-Robotermodellen und ROS-Anbindung (ROS#) ab; die trainierten Policies wurden als ONNX-Modelle exportiert, mit Trainer-Konfigurationen für Aufgabenvarianten vom vollständigen Bin-Picking mit Roboter bis hin zu isolierten Teilaufgaben wie dem Anfahren der Greifpose.

Technologien: PyTorch, Vive VR, ROS, YOLO, Unity (C#), ML-Agents