Spezialist für Python, kognitive Robotik und Machine Vision

7/2019 – 9/2019

Automatisierung eines Fräsprozesses mit einem Universal Robots UR10:
Automatisierung unter Zuhilfenahme eines Kraft-Momenten-Sensors in Verbindung mit einem UR10 Roboter. Verwendet wurde ein bereits vorhandenes Handwerkzeug, welches mittels selbsterstelltem Endeffektor mit dem Roboter kombiniert werden konnte. 
Eingesetzte Qualifikationen:
Python, UR-Script-Programmierung, 3D-Druck

Python, Konstruktionstechnik (allg.), Industrielle Roboter

4/2019 – offen

Python-Backend für synthetische Roboterprogramme innerhalb eines Forschungsprojektes:
Aus digitalisierten Montagebauakten sollten automatisch Roboterprogramme für Universal Robots erstellt werden. Mit Python wurden Montageeanweisungen interpretiert und mit Roboterskills abgeglichen. Daten über den aktuellen Arbeitsraum des Roboters werden aus einer Datenbank gezogen oder mit Objekterkennung und 3D-Kamera-Daten selbst generiert. Mit 3D-Daten zu den detektierten Objekten wurden kollisionsfreie Roboterpfade mit Hilfe eines A*-Pathplanning-Algorithmus zu den jeweiligen Montageposen generiert.
Eingesetzte Qualifikationen:
Tensorflow, Python, 3D-Kamera, Edge Computing mit Google Coral, Universal Robots Script-Language

Opencv, Tensorflow, Python, Industrielle Roboter

1/2019 – 3/2019

Programmierung eines Roboters zur Gleitlagermontage:
Für die Montage von 372 Gleitlagern in ein Triebwerksteil mit kleinem Arbeitsraum wurde ein spezieller Endeffektor und eine mobile Roboterplattform konstruiert. Die Roboterplattform wird mit Schnellverschlusspins an der Arbeitsstation angeschlossen und der Roboter kalibriert die Position des Montage-Objektes selbstständig mit einem Kraft-Momenten-Sensor. Die Koordinaten der Fügeposen wurden mit Python aus einem 3D-Modell ausgelesen und in Roboterposen umgewandelt.
Eingesetzte Qualifikationen:
Python, UR-Script-Programmierung, 3D-Druck, Visual Components

Python, Konstruktionstechnik (allg.), Industrielle Roboter, Systems Simulation

6/2018 – 12/2018

Deep Learning Object Detection mit Tensorflow und Google Coral Edge Computing:
Entwicklung eines neuronalen Netzes zur Detektion von benutzerdefinierten Objekten zur Lokaliserung in einer Montagehalle. Die Objekterkennung wurde mit Tensorflow und Transferlearning mit einem bereits vorhandenen neuronalen Netzes (MobileNetv2) realisiert. Die Trainingsdaten (Bilder und Labels) der zu detektierenden Objekte wurden zum Teil synthetisch in einer 3D-Umgebung (Cinema 4D) mit 3D-Modellen automatisiert erstellt um den manuellen Aufwand gering zu halten. Der Inference-Graph (neuronales Netz) wurde so umgewandelt, dass er auf einem Raspberry Pi in Kombination mit einer Google Coral Edge TPU verwendet werden konnte.

Cinema 4D, Tensorflow, Python