<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>2469</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst>153</pageFirst>
    <pageLast>160</pageLast>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>conferenceobject</type>
    <publisherName>Springer International Publishing</publisherName>
    <publisherPlace>Cham</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>--</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="eng">Optimization of Cartesian Tasks with Configuration Selection</title>
    <abstract language="eng">A basic task in the design of an industrial robot application is the relative placement of robot and workpiece. Process points are defined in Cartesian coordinates relative to the workpiece coordinate system, and the workpiece has to be located such that the robot can reach all points. Finding such a location is still an iterative procedure based on the developers’ intuition. One difficulty is the choice of one of the several solutions of the backward transform of a typical 6R robot. We present a novel algorithm that simultaneously optimizes the workpiece location and the robot configuration at all process points using higher order optimization algorithms. A key ingredient is the extension of the robot with a virtual prismatic axis. The practical feasibility of the approach is shown with an example using a commercial industrial robot.</abstract>
    <parentTitle language="eng">2nd IMA Conference on Mathematics of Robotics: online September 8–10, 2021</parentTitle>
    <identifier type="isbn">978-3-030-91351-9</identifier>
    <identifier type="doi">10.1007/978-3-030-91352-6_16</identifier>
    <enrichment key="opus.import.date">2022-01-21T12:01:01+00:00</enrichment>
    <enrichment key="opus.source">sword</enrichment>
    <enrichment key="opus.import.user">importuser</enrichment>
    <licence>Keine Lizenz - Es gilt das deutsche Urheberrecht: § 53 UrhG</licence>
    <author>Martin Georg Weiß</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Configuration</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Differentiable optimization</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Virtual axis</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="othforschungsschwerpunkt" number="16316">Produktion und Systeme</collection>
  </doc>
  <doc>
    <id>8851</id>
    <completedYear/>
    <publishedYear>2022</publishedYear>
    <thesisYearAccepted/>
    <language>deu</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber>45</pageNumber>
    <edition/>
    <issue/>
    <volume/>
    <type>report</type>
    <publisherName/>
    <publisherPlace>Regensburg</publisherPlace>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2026-01-27</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>--</thesisDateAccepted>
    <title language="deu">Abschlussbericht Projekt LeaP - Learning Poses : Posenerkennung mit Neuronalen Netzen</title>
    <abstract language="deu">Die Schätzung der 6D-Pose bekannter Objekte findet Anwendungen in der Robotik, der Luft- und Raumfahrtsteuerung und automatisierten Produktionsumgebungen. Es ist nach wie vor gängige Praxis, klassische Bildverarbeitungsmethoden zu verwenden, um eine hohe Präzision zu erreichen.  Diese Methoden erfordern jedoch eine manuelle Parametrisierung der verwendeten Erkennungswerkzeuge für jedes einzelne Objekt.&#13;
Dies wirft die Frage auf, ob maschinelle Lerntechniken, insb. convolutional neural networks, Netzwerke, so trainiert werden können, dass sie die in der Industrie geforderte Präzision ohne individuelle Programmierung erreichen können.&#13;
Darüber sollen in Produktionsumgebungen Umwelteinflüsse wie Lichtverhältnisse minimiert werden.&#13;
Es werden verschiedene Netzstrukturen entwickelt und auf ihre Leistung bei diesem Szenario untersucht, mit 1 bis 6 Freiheitsgraden in der Aufgabenstellung und einer oder mehreren Kameras. Zusätzlich wird ein Ansatz mit reinforcement learning entwickelt und untersucht.</abstract>
    <subTitle language="deu">Programm zur Förderung der angewandten Forschung und Entwicklung an Hochschulen für angewandte Wissenschaften – Fachhochschulen (Kap. 15 49 TG 78), Förderperiode 2018 – 2021; Programmsäule Strukturimpuls Forschungseinstieg - Projekt “Posenerkennung mit Neuronalen Netzen”</subTitle>
    <identifier type="urn">urn:nbn:de:bvb:898-opus4-88514</identifier>
    <identifier type="doi">10.35096/othr/pub-8851</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="opus.doi.autoCreate">true</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International</licence>
    <author>Philipp Schwarz</author>
    <author>Sebastian Bock</author>
    <author>Martin Weiß</author>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Posenermittlung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>convolutional neural network</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Konvergenzverhalten</value>
    </subject>
    <collection role="institutes" number="FakIM">Fakultät Informatik und Mathematik</collection>
    <collection role="DFGFachsystematik" number="4">Naturwissenschaften</collection>
    <collection role="othforschungsschwerpunkt" number="">Digitale Transformation</collection>
    <thesisPublisher>Ostbayerische Technische Hochschule Regensburg</thesisPublisher>
    <file>https://opus4.kobv.de/opus4-oth-regensburg/files/8851/LEAP_Abschlussbericht.pdf</file>
  </doc>
</export-example>
