Motivation
Tensegrity-inspirierte Kinematiken stellen einen vielversprechenden Ansatz für die Entwicklung innovativer robotischer Systeme dar. Aufgrund ihrer zugbasierten, flexiblen Struktur bieten sie Potenziale für leichte, anpassungsfähige und robuste mechanische Systeme. Insbesondere in Anwendungsfeldern, in denen Nachgiebigkeit, sichere Interaktion und effiziente Bewegungsabläufe von Bedeutung sind, gewinnen solche Kinematiken zunehmend an Relevanz.
Die Steuerung dieser Systeme ist jedoch mit besonderen Herausforderungen verbunden, da ihr Verhalten häufig nichtlinear, gekoppelt und nur eingeschränkt durch klassische modellbasierte Verfahren beschreibbar ist. Selbstlernende Algorithmen bieten hier die Möglichkeit, geeignete Steuerungsstrategien datenbasiert zu entwickeln und an komplexe Systemdynamiken anzupassen.
Ziel
Ziel der Abschlussarbeit ist die Untersuchung tensegrity-inspirierter Kinematiken im Hinblick auf ihre modellgestützte Beschreibung, simulationsbasierte Analyse und Steuerung mithilfe selbstlernender Algorithmen. Im Mittelpunkt steht die Frage, wie sich geeignete Lernverfahren zur Ansteuerung solcher Systeme einsetzen und bewerten lassen.
Schwerpunkte
- Einarbeitung in die Grundlagen tensegrity-inspirierter Kinematiken
- Modellierung und Simulation geeigneter Systeme
- Untersuchung selbstlernender Verfahren zur Steuerung
- Implementierung und Evaluation lernbasierter Algorithmen
- Analyse von Stabilität, Robustheit und Anpassungsfähigkeit des Systemverhaltens
Weitere Informationen
Infos auf Anfrage. Bewerbung per E-Mail mit Lebenslauf und Notenübersicht.
Alexander Schlosser
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik
Wissenschaftliche Mitarbeitende