Formål
Visjonen med dette prosjektet er at innlæringen av de optimale lokale styringspolitikkene kan akselereres kraftig ved å dele både informasjon om tidligere erfaringer og beregninger på flere Cobots koblet gjennom et trådløst kommunikasjonsnettverk, og dermed gir løsninger som tilfredsstiller de sanntidsbegrensningene som foreligger i de betraktede robotapplikasjonene.
I tillegg skal dette gi tilstrekkelig robusthet og muligheter for utskiftbare styringsløsninger.
Dette er et flerfaglig prosjekt som omhandler områdene dyplæring, optimalisering, forsterkende læring, desentralisert delt kontroll, legemliggjort kunstig intelligens (intelligente roboter og enheter), toveis interaksjon mellom Cobots og menneskelige operatører, og matrisenettverk med et betydelig potensial i industrielle applikasjoner.
Prosjektbeskrivelse
De siste årene har samarbeidende robotsystemer fått økende oppmerksomhet i flere industrielle sammenhenger som produksjonslinjer, nye additive prduksjonsmetoder, bilindustri, materialhåndtering, emballering og pakking, samt kvalitetskontroll. Samarbeidet mellom flere roboter og menneskelige operatører anses for å være den mest fremtredende strategien i Industri 4.0 og fremtidige Industry 5.0, der mennesker og maskiner deler den samme arbeidsplassen og samarbeider om oppgaver i henhold til deres komplementære evner.
DEEPCOBOT-prosjektet vil undersøke utformingen av en ny generasjon av desentraliserte datadrevne dyplærings-baserte styringsenheter for flere sameksisterende samarbeidsroboter (Cobots), disse samhandler både seg imellom og med menneskelige operatører for kollektivt å lære av hverandres erfaringer og sammen utføre forskjellige komplekse oppgaver i store industrielle miljøer. Dette motiveres av den økende etterspørselen etter automatisering i industrien, spesielt etterspørselen etter et tryggere og mer effektivt samarbeid mellom flere Cobots og menneskelige operatører for å integrere det beste av menneskelige evner og robotautomasjon.
