Emergente Systeme in der Produktion
Zusammenfassung
Moderne Produktionsumgebungen setzen zunehmend auf heterogene Roboterflotten — mobile Transportplattformen (AMR), kollaborative Roboterarme und stationäre Bearbeitungsstationen —, die gemeinsam Fertigungs- und Logistikaufgaben bewältigen. Die Koordination dieser Systeme erfolgt heute überwiegend zentral über Leitrechner oder Manufacturing Execution Systems. Bei Störungen, Maschinenausfällen oder kurzfristigen Auftragswechseln ist eine zentrale Koordination jedoch anfällig: Fällt der zentrale Knoten aus, steht die gesamte Prozesskette still.
Das M-APR-Projekt untersucht, ob und unter welchen Bedingungen dezentrale, emergente Koordinationsstrategien — bei denen Agenten autonom auf Basis lokaler Information Rollen übernehmen und Aufgaben verteilen — einer zentralen Steuerung in Produktionsszenarien überlegen sind. Im Fokus steht der systematische Vergleich zentraler und dezentraler Ansätze unter kontrolliert variierten Störbedingungen (Kommunikationsausfälle, Maschinenausfälle, dynamische Auftragslage).
Projektbeschreibung
Das M-APR-Projekt (3 Semester, Start WiSe 2026/2027) vergleicht zentrale und dezentrale Koordinationsstrategien für heterogene Roboterflotten in simulierten und realen Produktionsszenarien. Der wissenschaftliche Beitrag liegt in der empirischen Charakterisierung des Übergangs zwischen beiden Koordinationsformen unter variierten Adversitätsbedingungen.
Grobstruktur über drei Semester
Semester 1 — Grundlagen und Simulation
- Literaturrecherche zu dezentraler Koordination und Multi-Agent Reinforcement Learning
- Aufbau der ROS-2-basierten Simulationsumgebung (mind. zwei Agententypen: mobil und stationär)
- Implementierung einer zentralen Baseline und eines einfachen dezentralen Verfahrens
Semester 2 — Vergleichsstudie und lernbasierte Koordination
- Implementierung lernbasierter dezentraler Koordination (MARL)
- Systematischer Vergleich unter variierten Störbedingungen (Kommunikationsausfall, Maschinenausfall, dynamische Auftragswechsel)
- Statistische Auswertung und Identifikation von Übergangspunkten
Semester 3 — Validierung und Publikation
- Transfer ausgewählter Szenarien auf reale Hardware am TTZ
- Auswertung der Sim-to-Real-Übertragbarkeit
- Anfertigung der Masterarbeit und Vorbereitung einer Konferenzpublikation (MAPR-Konferenz)
Voraussetzungen
- Bachelorabschluss in Elektro- und Informationstechnik, Informatik, Mechatronik, Robotik o. ä.
- Programmierung in C++ und/oder Python
- Grundkenntnisse in Machine Learning / Reinforcement Learning
- Erfahrung mit ROS 2 und Simulation (Gazebo o. ä.) von Vorteil
- Interesse an Multi-Agenten-Systemen und Produktionsrobotik
Das Thema kann nach Abstimmung auch als Projekt- oder Masterarbeit bearbeitet werden.
Betreuung
| Rolle | Name | |
|---|---|---|
| Betreuer | Prof. Dr. Christian Pfitzner | christian.pfitzner@th-nuernberg.de |
| Co-Betreuer | Waldemar Haag | waldemar.haag@th-nuernberg.de |
Ort: TTZ Nürnberger Land, Lauf an der Pegnitz
Weitere Informationen: TTZ Nürnberger Land · Labor für Mobile Robotik
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.