Eigene Themen können vorgeschlagen werden. Hierzu wenden Sie sich an einen der wissenschaftlichen Mitarbeiter. Eigenständig gewählte Themen können jedoch nur im Rahmen der vorhanden freien Kapazitäten der Mitarbeiter betreut werden.
3D-Punktwolken spielen in der Robotik eine entscheidende Rolle und liefern wertvolle räumliche Informationen über die
Umgebung. Die Bedeutung von 3D-Punktwolken in der Robotik zeigt sich in verschiedenen Anwendungen und trägt zu
verbesserten Wahrnehmungs-, Navigations- und Interaktionsmöglichkeiten bei. Die Registrierung von 3D-Punktwolken ist eine
grundlegende Aufgabe in der Robotik, bei der das Ziel darin besteht, mehrere Punktwolken aus unterschiedlichen Blickwinkeln
oder zu unterschiedlichen Zeiten auszurichten. Im Rahmen einer Masterarbeit am Fachgebiet Industrielle
Automatisierungstechnik IAT soll eine KI-basierte Methode zur 3D Objekt Registrierung entwickelt und implementiert werden.
Arbeitspunkte:
▪ Literaturrecherche zum Stand der Forschung zum Thema 3D Objekt-Registrierung.
▪ Implementierung ein 3D-Kamera Modul im ROS zur Datengenerierung.
▪ Entwicklung und Implementierung eine KI-Basierte 3D Objekt-Registrierung Methode.
▪ Validierung des KI-Models anhand einer realen Montageaufgabe (Use Cases).
▪ Dokumentation der Arbeit.
Voraussetzungen:
▪ Engagierte und selbständige Arbeitsweise.
▪ Sehr gute Kenntnisse im Bereich neuronale Netze.
▪ Gute Kenntnisse in der Punkwolkenbearbeitung mit Python oder C++ und PCL (Point Cloud Library).
▪ Gute Kenntnisse im Bereich Robotik, Erfahrung mit ROS (Robot Operating System)
Ansprechpartner:
Oguzhan Kirik, M.Sc.
PTZ
Pascalstraße 8-9
10587 Berlin
oguzhan.kirik@tu-berlin.de
Termin: ab sofort (Januar 2024)
In modernen Zerspanungsbetrieben ist die Optimierung der Fräsprozesse entscheidend für die Erzielung hochwertiger
Ergebnisse und die Verlängerung der Werkzeugstandzeit. Eine große Herausforderung in diesem Zusammenhang ist die
frühzeitihe Erkennung von Anomalien im Prozess. Diese Arbeit konzentriert sich auf die Weiterentwicklung von CNC
Werkzeugmachinen durch die KI-Basierte Analyse von Bilddaten und Zeitreihen(Beschleunigungs- , Geräuschdaten). Diese
Forschung nutzt die Leistungsfähigkeit künstlicher neuronaler Netze und zielt darauf ab, einen integrierten Ansatz zu entwickeln,
der die Genauigkeit der Anomalieerkennung in Fräsprozessen verbessert und die Prozessparametern optimiert. Durch die
Kombination dieser multimodalen Datenquellen soll die vorgeschlagene Methodik zur Verfeinerung von Bearbeitungsstrategien
beitragen und letztendlich zu einer verbesserten Produktivität und Qualität in Fertigungsumgebungen führen.
Arbeitspunkte:
▪ Literaturrecherche zum Stand der Technik zum Thema KI in der CNC-Bearbeitung.
▪ Implementierung ein Hardware Modul zur externen Kontrolle der CNC.
▪ Implementierung der KI-Modellen zur Prozessüberwachung und – optimierung.
▪ Validierung der KI-Modellen in der realen CNC-Bearbeitung.
▪ Dokumentation der Arbeit.
Voraussetzungen:
▪ Engagierte und selbständige Arbeitsweise.
▪ Gute Kenntnisse mit Mikrocontroller und Hardware Design
▪ Gute Kenntnisse im Bereich neuronale Netze und Bildverarbeitung.
▪ Gute Kenntnisse mit Python und Erfahrung mit KI-Frameworks (Pytorch,Tensorflow).
Ansprechpartner:
Oguzhan Kirik, M.Sc.
PTZ
Pascalstraße 8-9
10587 Berlin
oguzhan.kirik@tu-berlin.de
Termin: ab sofort (März 2024)
Allgemeines
Domänenspezifisches Fachwissen ist wertvoll. Dieses Wissen ist häufig personengebunden und wird nicht immer effizient und effektiv gesammelt, gesichert und weitergegeben. Besonders bei mittelständischen Unternehmen im industriellen Umfeld kann das aber für einen stabilen wirtschaftlichen Erfolg entscheidend sein.
Künstliche Intelligenz kann dafür eingesetzt werden Wissen in verschiedener Form zu erfassen, zu kombinieren und zu transformieren. Zum Training von Modellen des maschinellen Lernens werden dabei speziell annotierte (gelabelte) Daten eingesetzt. Das Sammeln und Annotieren von Daten ist in der Regel nicht in die gewöhnlichen Arbeitsabläufe von Fachwissensträgern integriert und kann sehr zeitaufwändig sein. Das „Project Aria Glasses“ (doi.org/10.48550/arXiv.2308.13561) entwickelt ein egozentrisches, multimodales Gerät zur Aufzeichnung und Übertragung von Daten in der Form einer Brille. Mit einer geeigneten Benutzerschnittstelle könnte diese Art von Geräten dazu geeignet sein, bei geringer Interferenz mit typischen industriellen Arbeitsabläufen und zeit- und kosteneffizient, annotierte Daten für die Erfassung domänenspezifischen Wissens zu erzeugen.
Aufgabe
Konzeptionierung, Implementierung, Einsatz und Evaluation einer ergonomischen, semi-automatischen Benutzerschnittstelle für das Annotieren von Objekten und Aktivitäten in Bilddaten. Es können Anwendungen zur automatischen Segmentierung, Spracherkennung, Sprach-Text-Konvertierung und Textenkodierung zum Einsatz kommen. Zur Bestimmung der zu annotierenden Segmente in Bilddaten sind Blickerfassung und Handgestenerkennung relevante Instrumente. Aktivitäten können in maßgebliche atomare Schritte zerlegt werden, die einer Zeitspanne in den Bilddaten zugeordnet werden können. Modelle des maschinellen Lernens zur Identifizierung von Objekten und Aktivitäten in Bildaufnahmen können zur Überprüfung der Einsatzfähigkeit des entwickelten Systems entwickelt werden.
Die Bearbeitung umfasst folgende Punkte:
Voraussetzungen
Gutachter
Prof. Dr.-Ing. Jörg Krüger
Sekr. PTZ5
Raum PTZ 405
Pascalstr. 8-9
10587 Berlin
Ansprechpartner
Erik Sörqvist, Tobias Westphal, Raz Flieshman
Raum PTZ 421
Termin: ab sofort (März 2024)
Allgemeines
In den Bereichen Ingenieurwesen und Fertigung ist die Fähigkeit, spezifische Oberflächen in einem 3D-
Mesh präzise denjenigen in technischen Zeichnungen zuzuordnen, entscheidend für Qualitätskontrolle,
Inspektion und Montageprozesse. Derzeit erfordert diese Aufgabe erheblichen manuellen Aufwand und
Fachwissen, was zu erhöhtem Zeitaufwand und Fehlerpotenzial führt. Ein automatisierter Ansatz, der
fortschrittliche Techniken der Computer Vision und des maschinellen Lernens nutzt, kann Effizienz und
Genauigkeit erheblich verbessern.
Aufgabe
Ziel dieser Arbeit ist die Entwicklung eines automatisierten Systems für die Instanzsegmentierung von
Oberflächen in 3D-Meshes und deren Klassifizierung zu entsprechenden Oberflächen, die in technischen
Zeichnungen dargestellt sind. Dieses System soll die Lücke zwischen 3D-Modellen und 2D-technischen
Schemata überbrücken, um die genaue Identifizierung und Klassifizierung von Oberflächen für
verschiedene Anwendungen im Ingenieurwesen und in der Fertigung zu erleichtern.
Methodik
• 3D-Mesh-Analyse: Entwicklung von Algorithmen zur Instanzsegmentierung von Oberflächen in 3D-
Mesh-Modellen, Identifizierung eindeutiger Oberflächen und deren geometrische Eigenschaften.
• Interpretation technischer Zeichnungen: Implementierung von Computer Vision-Techniken zur
Interpretation und Klassifizierung von Oberflächen in technischen Zeichnungen, Extraktion relevanter
Merkmale und Annotationen.
• Oberflächenklassifizierungs-Engine: Erstellung eines maschinellen Lernmodells, das segmentierte
Oberflächen aus 3D-Meshes mit ihren Gegenstücken in technischen Zeichnungen abgleicht,
basierend auf Ähnlichkeiten in der Geometrie und zusätzlich extrahierten Merkmalen.
• Integration von Cross-Modal-Daten: Entwurf eines Frameworks zur Integration von Daten aus der
3D-Mesh-Analyse und der Interpretation technischer Zeichnungen, um eine genaue
Oberflächenklassifizierung und -zuordnung zu gewährleisten.
• Systemvalidierung: Durchführung umfassender Tests mit einer breiten Palette von 3D-Modellen und
technischen Zeichnungen, um die Genauigkeit und Zuverlässigkeit des Systems bei der
Automatisierung der Segmentierung und Klassifizierung von Oberflächen zu validieren.
Erwartete Ergebnisse
Ein innovatives System, das in der Lage ist, Oberflächen in 3D-Meshes automatisch zu segmentieren und
sie in Bezug auf in technischen Zeichnungen dargestellte Oberflächen zu klassifizieren. Eine detaillierte
Bewertung der Leistung des Systems bei der Verbesserung der Effizienz und Genauigkeit von Prozessen
zur Identifizierung und Klassifizierung von Oberflächen. Beiträge zum Bereich der Computer Vision und
des maschinellen Lernens in Ingenieuranwendungen, die das Potenzial für automatisierte Cross-Modal-
Datenanalysen und -interpretationen aufzeigen.
Voraussetzungen
▪ Interesse an maschinellem Lernen, Bildverarbeitung und Automatisierungstechnik
▪ Vorkenntnisse
▪ Programmiersprachen (Python)
▪ Künstliche Intelligenz
Gutachter
Prof. Dr.-Ing. Jörg Krüger
Sekr. PTZ5
Raum PTZ 405
Pascalstr. 8-9
10587 Berlin
Ansprechpartner
Raz Flieshman
Raum PTZ 440
Termin: ab sofort (März 2024)
Allgemeines
Die Fähigkeit, komplexe CAD-Baugruppen zu verstehen und zu generieren, ist entscheidend für die
Weiterentwicklung automatisierter Design- und Produktionsprozesse. Große Sprachmodelle (LLMs),
erweitert durch Techniken der Retrieval-Augmented Generation (RAG), bieten neue Möglichkeiten, dieses
Ziel zu erreichen. Ein Schlüsselelement für den Erfolg solcher Modelle ist die Verfügbarkeit eines
umfangreichen, gut strukturierten multimodalen Datensatzes, der CAD-Baugruppen umfasst.
Aufgabe
Das Ziel dieses Projekts ist die Entwicklung eines solchen Datensatzes. Dieser soll die Schulung von LLMs
unterstützen, indem er eine reiche Sammlung von CAD-Assemblies, deren Verbindungsstrukturen,
Stücklisten und Zeichnungen bietet. Durch die Integration von Retrieval-Augmented Generation wird
angestrebt, die Genauigkeit und Effizienz der Modelle im Umgang mit CAD-Assemblies zu verbessern.
Methodik
• Datensatzentwicklung: Entwurf und Implementierung eines strukturierten Ansatzes zur Generierung
eines umfassenden Datensatzes, der CAD-Baugruppen, Verbindungsstrukturen, Stücklisten und
Zeichnungen umfasst, zur Schulung von multimodalen LLMs mit RAG.
• Datenstrukturierung: Einsatz von Tools wie CADquery und FreeCAD zur Erstellung parametrischer
Designs und Strukturierung des Datensatzes, inklusive aller wesentlichen Elemente für die CAD-
Baugruppenanalyse.
• Vektor-Datenbankintegration: Konvertierung des Datensatzes in ein Vektor-Datenbankformat für
effiziente Datenabrufung und -erweiterung, unterstützend für die Anwendung von LLMs in CAD.
• Die Aktivitäten konzentrieren sich auf die Identifizierung und Sammlung relevanter Daten, die
Erstellung eines vielfältigen und reichhaltigen Datensatzes sowie dessen Umwandlung in eine
formatgerechte Struktur zur nahtlosen Integration und Anwendung.
Erwartete Ergebnisse
• Ein umfassender Datensatz von CAD-Baugruppen, geeignet zur Schulung von multimodalen LLMs.
• Dokumentation der Methoden zur Datensatzerstellung, -strukturierung und -konvertierung in eine
Vektor-Datenbank.
• Eine funktionierende Vektor-Datenbank mit dem Datensatz.
• Ein Bericht über den Prozess, Herausforderungen, Lösungen und Empfehlungen für zukünftige
Arbeiten.
Voraussetzungen
▪ CAD-Kenntnisse: Kompetenz in CAD-Software und Verständnis für programmierbares
parametrisches Design.
▪ Datenwissenschaft & Maschinelles Lernen: Wissen über Datenstrukturierung, Generierung
von Datensätzen und Verständnis von Konzepten des maschinellen Lernens.
▪ Programmierfähigkeiten: Kompetenz in Programmiersprachen, insbesondere Python.
▪ Verständnis von technischen Zeichnungen: Kenntnisse im Lesen und Generieren von
Montage- und Produktionszeichnungen.
Gutachter
Prof. Dr.-Ing. Jörg Krüger
Sekr. PTZ5
Raum PTZ 405
Pascalstr. 8-9
10587 Berlin
Ansprechpartner
Raz Flieshman
Raum PTZ 440
Termin: ab sofort (März 2024)
Allgemeines
Montageanleitungen sind für die genaue Konstruktion von Produkten entscheidend, stützen sich jedoch
oft stark auf textuelle Beschreibungen, die schwer zu interpretieren sein können. Die Ergänzung durch
klare, schrittweise Visualisierungen kann das Verständnis dieser Anweisungen erheblich verbessern.
Durch die Nutzung von CAD-Dateien und in Text beschriebenen Montageschritten kann ein
automatisiertes System detaillierte visuelle Darstellungen jeder Montagephase erstellen und somit die Art
und Weise, wie Anleitungen geliefert und verstanden werden, transformieren.
Aufgabe
Diese Arbeit schlägt vor, ein System zu entwickeln, das Visualisierungen in Form von synthetischen Bildern
erzeugt, die das Fügen von Teilen in einer Baugruppe anhand von CAD-Dateien und textuellen
Montageanleitungen illustrieren. Ziel ist es, traditionelle Montageanleitungen durch automatische,
detaillierte visuelle Führungen zu verbessern, die jeden Schritt des Montageprozesses darstellen, um
Klarheit zu erhöhen und bei der Fehlerreduktion zu helfen.
Methodik
• CAD-Datei- und Textanalyse: Implementierung von Algorithmen zur Interpretation und Extraktion
relevanter Daten aus CAD-Dateien und textuellen Montageanweisungen. Dies umfasst die
Identifizierung von Teilen, deren Orientierungen und die Reihenfolge der Montageschritte.
• Automatisierte Bildsynthese: Entwicklung eines Systems, das in der Lage ist, synthetische Bilder zu
generieren, die das Fügen von Teilen für jeden in den Montageanweisungen umrissenen Schritt
visuell darstellen. Dieses System wird 3D-Rendering-Techniken und Computer Vision nutzen, um
genaue und detaillierte visuelle Führungen zu erstellen.
• Integration von CAD- und Textdaten: Erstellung eines integrierten Ansatzes, der die Analyse von CAD-
Geometrien mit der Interpretation von textuellen Anweisungen kombiniert, um sicherzustellen, dass
die generierten Visualisierungen jeden Montageschritt genau widerspiegeln.
• Systemvalidierung: Validierung der Wirksamkeit der Visualisierungen bei der Verbesserung der
Genauigkeit und Effizienz des Montageprozesses durch Durchführung von Benutzerstudien und
Vergleich der Montageergebnisse mit und ohne die Nutzung der verbesserten Anweisungen.
Erwartete Ergebnisse
Ein neuartiges System zur Verbesserung von Montageanleitungen mit automatisierten
Fügevisualisierungen, direkt abgeleitet aus CAD-Dateien und textuellen Beschreibungen. Eine umfassende
Bewertung, wie automatisierte Visualisierungen Montagefehler reduzieren und die Effizienz des
Montageprozesses verbessern können. Einblicke in das Potenzial der Kombination von CAD-Analyse und
Textinterpretation für die automatisierte Generierung von Lehrinhalten, die einen neuen Standard in der
Montageanleitung setzen.
Voraussetzungen
▪ Fortgeschrittene Kenntnisse in Programmiersprachen, insbesondere Python.
▪ Erfahrung mit maschinellem Lernen und tiefen Lernmodellen.
▪ Interesse und Vorwissen in den Bereichen automatisierte Bildsynthese und 3D-Rendering-
Techniken.
Gutachter
Prof. Dr.-Ing. Jörg Krüger
Sekr. PTZ5
Raum PTZ 405
Pascalstr. 8-9
10587 Berlin
Ansprechpartner
Raz Flieshman
Raum PTZ 440
Termin: ab sofort (März 2024)
Allgemeines
Der steigende Bedarf an nachhaltigen Abfallmanagementlösungen bei komplexen Geräten hat die
Bedeutung effizienter Recycling- und Upcycling-Prozesse unterstrichen. Die Komplexität moderner Geräte
macht die manuelle Planung für Demontage und Materialrückgewinnung jedoch zeitintensiv und
herausfordernd. Ein automatisiertes Empfehlungssystem kann die Effizienz und Effektivität dieser
Prozesse erheblich verbessern.
Aufgabe
Diese Arbeit zielt darauf ab, ein Empfehlungssystem zu entwickeln, das die Demontage von Geräten zur
Erleichterung von Recycling und Upcycling unterstützt. Durch die Analyse von Informationen zur
Gerätemontage wird das System optimale Demontagesequenzen vorschlagen, recycelbare und
upcyclingfähige Komponenten hervorheben und geeignete Methoden für die Materialrückgewinnung
empfehlen. Dabei werden verschiedene Faktoren berücksichtigt, einschließlich Materialarten,
Verbindungen zwischen den Komponenten und das Potenzial zur Wiederverwendung in neuen
Produkten.
Methodik
• Geräteanalyse: Implementierung von Algorithmen zur Analyse von Gerätemontagen, mit Fokus auf
Materialien, Komponentenverbindungen und Demontierbarkeit.
• Empfehlungsmotor: Entwicklung eines KI-gesteuerten Motors, der Demontagesequenzen und
Methoden für die Materialrückgewinnung empfiehlt, unter Berücksichtigung von
Umweltauswirkungen und Potenzial für die Komponentenwiederverwendung.
• Bewertung von Recycelbarkeit und Upcyclingfähigkeit: Integration von Bewertungstools in das
System zur Beurteilung der Recycelbarkeit und Upcyclingfähigkeit von Komponenten, um die
Demontage in Richtung maximaler Materialrückgewinnung zu lenken.
• Systemvalidierung: Überprüfung des Empfehlungssystems anhand verschiedener elektronischer
Geräte, um seine Anwendbarkeit und Genauigkeit über verschiedene Produkttypen hinweg
sicherzustellen.
• Entwicklung der Benutzeroberfläche: Gestaltung einer intuitiven Benutzeroberfläche, die es
ermöglicht, Geräteinformationen einzugeben und Demontageempfehlungen zu erhalten, um die
Bedienung in Recycling- und Upcycling-Operationen zu erleichtern.
Erwartete Ergebnisse
Ein umfassendes Demontage-Empfehlungssystem, maßgeschneidert für das Recycling und Upcycling
elektronischer Geräte. Eine Bewertung des Einflusses des Systems auf die Verbesserung der Effizienz und
Effektivität von Recycling- und Upcycling-Prozessen. Einblicke in die Anwendung und Vorteile von KI zur
Unterstützung des nachhaltigen Abfallmanagements von elektronischen Geräten.
Voraussetzungen
▪ Interesse an maschinellem Lernen, Bildverarbeitung und Automatisierungstechnik
▪ Vorkenntnisse
▪ Programmiersprachen (Python)
▪ Künstliche Intelligenz
Gutachter
Prof. Dr.-Ing. Jörg Krüger
Sekr. PTZ5
Raum PTZ 405
Pascalstr. 8-9
10587 Berlin
Ansprechpartner
Raz Flieshman
Raum PTZ 440
Termin: ab sofort (März 2024)