Reinforcement Learning fuer Greifoptimierung in Picking-Robotern in der OWL-Logistik
Übersicht
Worum es bei diesem Projekt geht.
Du erhaeltst eine Simulation mit gemischten Bin-Objekten (40 SKUs aus dem Konsumgueterbereich) und einen realen Greif-Datensatz von 2.000 Versuchen mit Erfolgs-Label. Trainiere: (1) eine PPO-Policy auf der Sim mit Tiefenkamera-Observation und Greifvorschlag als Action, (2) eine sl-Baseline (Convolutional Network, trainiert auf den 2.000 realen Greifvorschlaegen mit Erfolgs-Label). Evaluiere im Sim, am realen Datensatz (im Replay) und idealerweise auf 100 echten Greifversuchen. Berichte First-Try-Erfolgsrate und durchschnittliche Greifdauer.
Das Briefing
Was Du tust und was Du zeigst.
Trainiere eine RL-Greif-Policy und uebertrifff die handprogrammierte Heuristik in First-Try-Erfolgsrate auf einem realen Greif-Datensatz.
Earning criteria — what you'll demonstrate
- RL-Greif-Policy mit PPO trainieren
- Tiefenkamera-Observations effektiv in Policy-Eingaben verwenden
- RL- und Supervised-Baselines fair vergleichen
- Erfolgsmetriken aus der Industriepraxis (First-Try-Rate, Greifdauer) einsetzen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenMachine Learning Engineer
RL-Greif-Policies mit Sim-Training und Real-Eval auf einer industrierelevanten Plattform zu liefern ist eine sehr nachgefragte ML-Engineer-Faehigkeit in Logistik-Automatisierern.
Dieses Projekt schärft
- reinforcement-learning
- robotic-grasping
- ppo
ML Researcher
Greif-RL gegen Supervised-Baselines mit stratifizierter Eval zu vergleichen ist Standardarbeit eines ML Researchers in Roboterlern-Gruppen.
Dieses Projekt schärft
- reinforcement-learning
- depth-perception
- model-evaluation
Computer Vision Engineer
Tiefenkamera-Wahrnehmung als first-class-Eingabe einer Greif-Policy zu nutzen ist eine Bruecke zu CV-Engineer-Arbeit an Robotik-Wahrnehmungs-Stacks.
Dieses Projekt schärft
- depth-perception
- robotic-grasping
- isaac-sim
Noch eine Sache