Der/ die Studierende soll in diesem Projekt die Rohdaten der Sensoren der Roboter nutzen um aus innen mithilfe von Verfahren der Mustererkennung und des maschinellen Lernens Informationen über den aktuellen Zustand und die Tätigkeit des Roboters abzuleiten. Zum Beispiel ist von Interesse wann der Roboter steht, wann er fährt, wo er gerade ist, was er gerade tut, wann er eine neue Tätigkeit beginnt und eine Tätigkeit abschließt. Neben den im Roboter integrierten Sensoren können auch Sensoren des Fraunhofer ISST eingesetzt werden, mit denen die Roboter ausgerüstet werden. Zur Analyse soll die RIOTANA® Plattform des Fraunhofer ISST genutzt werden, an die die Sensoren des Roboters ihre Daten liefern müssen.
Die Plattform wird zur Generierung von KPIs in industriellen Anwendungen (insb. in der Logistik) auf Basis von einer skalierbaren Big-Data-Architektur und einem semantischen Layer genutzt. Als eine Echtzeitdatenflussverarbeitungsplattform ermöglicht RIOTANA® vielfältige Einsatzmöglichkeiten in industriellen IOT-Anwendungen, z.B. Stoßerkennung in Echtzeit, Lokalisierung, Berechnung der Auslastung, Predictive Maintenance usw. Die Analyseengine von RIOTANA® baut auf Apache Spark auf. Datenflüsse werden durch Apache Kafka zwischen Logikunits weitergeleitet und in der NoSQL- Datenbank Cassandra gespeichert. Analysen und Vorhersagen von den Sensordaten finden in Echtzeit statt. Dazu werden Maschinelles Lernen- und Deep Learning-Modelle eingesetzt. Für ein spezifisches Anwendungsgebiet wird eine Ontologie als semantisches Layer aufgebaut, d.h. für jedes physische Objekt gibt es eine digitale semantische Beschreibung (Digitaler Zwilling), damit die IOT-Daten strukturiert sowie die Analyseprozesse vereinfacht werden können. Auf Basis des semantischen Layers sind die Sensoren und Analysefunktionen sehr gut erweiterbar. Weitere Datenflussverarbeitungsanwendungen für Forschungsthemen und industrielle Use-Cases mit dem Hintergrund der industriellen Digitalisierung können so nach und nach entwickelt werden.
Bezug zum Thema Data Science
Die Entwicklung von Algorithmen zur Mustererkennung insbesondere durch Maschinelles Lernen und die Verarbeitung von Sensormassendaten sind Kernthemen der Data Science und werden teilweise in Veranstaltungen des Forschungsmasters behandelt.
Verfügbare Ressourcen
- Informationen zum Fachgebiet der Produktionslogistik wie relevante Zustandsinformationen und relevante Use Cases werden vom Fraunhofer ISST bereitgestellt
- der Ansprechpartner am Fraunhofer ISST wird über die Projektlaufzeit zur Verfügung stehen
- die Roboter (Anki Vector), die Boxen sowie sonstiges benötigtes Material wird im Kontext des AI-Labs der HSBI bereitgestellt
- die zusätzlichen Sensoren werden vom Fraunhofer ISST bereitgestellt
- die RIOTANA-Plattform wird vom Fraunhofer ISST bereitgestellt
- Hardware für das komplexere Maschine Learning ist über das Data Science Lab oder das CfADS der HSBI verfügbar
Projektplan
Erstes Semester: Formulierung des Forschungsexposees, Einarbeitung in die API von Anki Vector und die RIOTANA-Plattform, Definition eines Szenarios
Zweites Semester: Verknüpfung von RIOTANA mit den Sensoren des Roboters, Recherche zu relevanten Arbeiten in Themenfeld der Mustererkennung und Sensordatenverarbeitung
Drittes Semester: Erfassung von Daten, Aufbau einer Pipeline der Sensordatenverarbeitung, Entwicklung eines ersten Algorithmus zur Zustandserkennung (Durchstich), Auswertung erster Ergebnisse
Viertes Semester: Entwicklung weiterer Algorithmen und Optimierung des Gesamtverfahrens, Auswertung der Güte und Evaluierung der Ergebnisse
Eignungskriterien
Zwingend:
Optional:
- Erfahrung mit der Programmierung von Robotern/ Sensordatenverarbeitung
Erwerbbare Kompetenzen
- Einsatz von Verfahren des Maschinellen Lernens
- Sensordatenverarbeitung
- SMACK-Architekturen
- Planung von Produktions- und Logistiksystemen