Advanced Multi-Fingered Robotic Hands: Dextrous Manipulation and Learning AI

Worum geht's

In diesem Modul lernst Du, wie mehrfingrige Robotergreifer mit hochauflösenden taktilen Sensoren und modernen, simulationsgestützten Lernverfahren eingesetzt werden, um dextrische Manipulation in Nähe menschlicher Fähigkeiten zu erreichen. Am Ende kannst Du Hand- und Sensorphysik mathematisch modellieren, schnelle GPU-basierte Simulationen interpretieren und lernbasierte Strategien für Greifen, In-Hand-Manipulation und taktile Feinmanipulation verstehen und bewerten.

Was du danach kannst

• Mathematische Modellierung von robotischen Mehrfingerhänden (Kinematik, Greifmatrix, Impedanzsteuerung)
• Aufbau und Bewertung schneller physikbasierter Simulationen für Handhabung und Kontakte
• Anwendung lernbasierter Methoden zur Grifffindung und mehrkontaktigen Greifbewertung
• Einsatz von Reinforcement Learning für dynamische In-Hand-Manipulation und Zustandsabschätzung
• Verständnis und Nutzung hochauflösender spatio-temporaler taktiler Sensorik und daten-effizienter Lernmethoden
• Methoden zur robusten Übertragung gelernter Strategien auf reale Robotersysteme
• Konzepte zur selbstständigen Kalibrierung von Handkinematik und Sensorik
• Kombination von Ganzkörperplanung und Greifplanung für humanoide Systeme

Aus was das Modul besteht

• VorlesungVermittlung der Theorie zu Handphysik, Simulation und lernbasierten Methoden mit Beispielen
• GastvorträgePraxisperspektiven aus Industrie (Agile Robots) und zu GPU-/Cloud-Architekturen (NVIDIA)

Lehrmethode

• Präsentation (Slides oder Tafel)Erklärung der physikalischen Modellbildung und lernenden Methoden; Veranschaulichung an kleinen Beispielen
• Q&A zu Beginn jeder SitzungWiederholung offener Fragen, Besprechung von Beispielaufgaben und deren Lösungen
• LiteraturangabenVerweise auf aktuelle Forschungsarbeiten zur Vertiefung jedes Themas