2R-Roboterarm als Praktikumsversuch – Gravity Compensation und Reinforcement Learning
Zusammenfassung
Im Masterstudiengang M-IAS (Intelligent Autonomous Systems) an der TH Nürnberg wird im Rahmen des Praktikums “Intelligent Robotics” ein neuer Versuchsaufbau benötigt, der grundlegende Konzepte der Regelungstechnik und des maschinellen Lernens anschaulich demonstriert. Ziel dieser Arbeit ist der Aufbau eines zweiachsigen Roboterarms (2R-Kinematik), der auf zwei BLDC-Motoren basiert und als vielseitige Demonstrationsplattform für Gravity Compensation und Reinforcement Learning dient.
Auf der Hardwareseite sind die beiden Gelenke mit BLDC-Motoren und geeigneten Motortreibern (z. B. ODrive oder VESC) auszustatten. Die mechanische Struktur der Armsegmente ist zu entwerfen und zu fertigen, wobei Aspekte wie Steifigkeit, Gewicht und Zugänglichkeit für die Studierenden zu berücksichtigen sind. Encoder liefern die notwendige Positions- und Geschwindigkeitsrückmeldung für die Regelung.
Softwareseitig sind zunächst Vorwärts- und Rückwärtskinematik zu implementieren sowie eine modellbasierte Gravity-Compensation, die das Eigengewicht der Armsegmente in Echtzeit kompensiert und den Arm in beliebigen Positionen schwebend hält. Dieses physikalisch anschauliche Experiment bildet den Einstieg für Studierende in die modellbasierte Regelung.
Darauf aufbauend soll ein Reinforcement-Learning-Demo entstehen, bei dem ein Agent den Arm auf eine Zielposition einlernt. Dabei ist eine ROS-basierte Systemarchitektur zu etablieren, die sowohl die reale Hardware als auch eine Simulationsumgebung (z. B. Gazebo oder MuJoCo) für das RL-Training unterstützt. Abschließend sind Versuchsanleitungen zu erstellen, die den Praktikumseinsatz für Studierende ermöglichen.
Motivation
Im Praktikum “Intelligent Robotics” des Masterstudiengangs M-IAS fehlt bislang ein hands-on Versuch, der die Brücke zwischen klassischer modellbasierter Regelung und modernen lernbasierten Methoden schlägt. Ein 2R-Roboterarm mit Drehmomentsteuerung bietet genau diese Möglichkeit: Studierende erleben zunächst die physikalischen Effekte der Schwerkraft am realen System und lernen anschließend, wie ein RL-Agent dieselbe Aufgabe datengetrieben löst.
Arbeitspakete
Hardware
- Auswahl und Inbetriebnahme der BLDC-Motoren und Motortreiber (z. B. ODrive / VESC)
- Mechanischer Entwurf und Fertigung der Armsegmente (CAD, 3D-Druck oder Aluminiumprofil)
- Integration von Encodern und Verkabelung
Software & Regelung
- Implementierung von Vorwärts- und Rückwärtskinematik
- Modellbasierte Gravity-Compensation-Regelung (Drehmomentkompensation in Echtzeit)
- ROS-Integration: Topics, Services und ggf. ros2_control
Reinforcement Learning
- Aufbau einer Simulationsumgebung (Gazebo oder MuJoCo) für das RL-Training
- Training eines Agenten (z. B. PPO / SAC) auf eine Zielpositions-Aufgabe
- Sim-to-Real-Transfer und Evaluation am realen Arm
Dokumentation
- Erstellung von Versuchsanleitungen für den Praktikumseinsatz im M-IAS-Studiengang
Voraussetzungen
- Kenntnisse in Regelungstechnik und Robotik (Kinematik, Dynamik)
- Programmierkenntnisse in Python und/oder C++
- Idealerweise Erfahrung mit ROS
- Interesse an maschinellem Lernen und Reinforcement Learning
- Freude an praktischem Hardware-Aufbau und Prototyping
Das Thema kann nach Abstimmung als Projekt- oder Masterarbeit bearbeitet werden.
Betreuung
| Rolle | Name | |
|---|---|---|
| Betreuer | Prof. Dr. Christian Pfitzner | christian.pfitzner@th-nuernberg.de |
Prof. Dr. Christian Pfitzner
Professor für Mobile Robotik
Professor für Mobile Robotik an der TH Nürnberg Georg Simon Ohm, Fakultät efi. Leiter des TTZ Nürnberger Land. Forschungsschwerpunkte in autonomer Navigation, Drohnentechnologie und Sensorfusion.