Navigationsweiche Anfang

Navigationsweiche Ende

Sprache wählen

Lehrstuhl für Technologien und Management der Digitalen Transformation


Herr Univ.-Prof. Dr.-Ing. Tobias Meisen

Industrial Transfer Learning

„Our mission is to create scalable, data-efficient, and sustainable deep learning models for the industrial context.“

Im Bereich der Produktion bieten Methoden des Deep Learning große Potenziale zur Entwicklung innovativer Lösungen zur Optimierung oder Automatisierung. Eine zentrale Herausforderung hierbei ist es, für eine ausreichend große Datenbasis zu sorgen - sei es durch Experimente an einer realen Maschine oder durch Simulationen. Zudem müssen die Modelle stets auf neuen, im realen Umfeld sehr kostspieligen Beobachtungen trainiert werden, sobald sich der Produktionsprozess grundlegend ändert. Im Forschungsschwerpunkt Industrial Transfer Learning wird erforscht, wie diese Herausforderungen in Zukunft gemeistert werden können und wie Quelldaten aus verschiedenen Prozessdomänen oder Prozessvariationen genutzt werden können, um robuste, effiziente und langfristig einsetzbare Deep Learning Modelle erstellen zu können. Unsere zentralen Forschungsbereiche sind dementsprechend Transfer Learning, Continual Learning und Meta-Learning.

Transfer Learning

Transfer Learning adressiert Methoden zur Nutzung bereits trainierter Deep Learning Modelle, um neue Aufgaben schneller und dateneffizienter lernen zu können. Während es im Computer Vision ein bereits etabliertes Paradigma darstellt, besteht im industriellen Kontext noch viel Forschungsbedarf. Im Sim2Real Transfer Learning (Simulation to Reality) erforschen wir beispielsweise Reinforcement Learning Verfahren zur Steuerung von Industrierobotern, welche zunächst in der Simulation antrainiert werden, um sie anschließend auf komplexe reale Umgebungen zu übertragen.

Continual Learning und Meta-Learning

Continual Learning und Meta-Learning adressieren Verfahrensansätze zur kontinuierlichen Weiterbildung von neuronalen Netzen über verschiedene Aufgaben hinweg. Die Netze sollen dabei ihr Wissen aus vorherigen Aufgaben ohne Verlust nutzen können, um den Lernerfolg für zukünftige Aufgaben zu verbessern („Learning to Learn“). Im industriellen Kontext erforschen wir beispielweise Continual Learning Verfahren zur nachhaltigen Nutzung von neuronalen Netzen in Predictive Quality Szenarien (hier exemplarisch aufgezeigt für ein Spritzgussverfahren für Kunststoffbausteine). 

Weitere Informationen

Ansprechpartner: Hasan Tercan

Vortragsfolien: ITL_2020.pdf

Interesse an einer Abschlussarbeit? Dann schauen Sie hier nach offenen Themen. 

Ausgewählte relevante Publikationen

Referenzen
Christian Scheiderer; Nik Dorndorf; Tobias Meisen
Effects of Domain Randomization on Simulation-to-Reality Transfer of Reinforcement Learning Policies for Industrial Robots
International Conference on Artificial Intelligence 2020 (to be published)
2020

Schlüsselwörter: transfer-learning

Christian Scheiderer; Malte Mosbach; Andres Posada-Moreno; Tobias Meisen
Transfer of Hierarchical Reinforcement Learning Structures for Robotic Manipulation Tasks
International Conference on Computational Science and Computational Intelligence (accepted, to be published)
2020

Schlüsselwörter: transfer-learning

Hasan Tercan; Alexandro Guajardo; Tobias Meisen
Industrial Transfer Learning: Boosting Machine Learning in Production
2019 IEEE 17th International Conference on Industrial Informatics (INDIN) , Seite 274--279.
Herausgeber: IEEE,
2019
ISBN: 978-1-7281-2927-3

Schlüsselwörter: transfer-learning

Hasan Tercan; Alexandro Guajardo; Julian Heinisch; Thomas Thiele; Christian Hopmann; Tobias Meisen
Transfer-Learning: Bridging the Gap between Real and Simulation Data for Machine Learning in Injection Molding
Procedia CIRP, 72:185--190
2018
ISSN: 22128271

Schlüsselwörter: transfer-learning

Total:
4
Export als:
BibTeX, XML