Fleksibel automatisering av industrielle oppgåver med læring frå demonstrasjon

I fleire tiår har industrielle robotar vore heilt essensielle for masseproduksjon av millionar av identiske produkt raskt og nøyaktig. Men produksjonslandskapet er i endring. Kundar forventar i aukande grad personlege produkt, og til og med store produsentar flyttar seg i retning High-Mix Low-Volume (HMLV)-produksjon – det vil seie mange ulike produktvariantar produsert i små seriar.

Dette skiftet viser avgrensingane til tradisjonell automatisering, der robotar fungerer godt til repeterande masseproduksjon, men dei er dyre og lite fleksible når oppgåvene endrar seg ofte. Difor har mange små og mellomstore verksemder (SMB-ar), som naturleg produserer i små seriar, ofte stått utanfor automasjonsbølgja.

Menneske og robotar som lagkameratar

For å auke fleksibiliteten er det avgjerande å gjeninnføre menneske i produksjonsprosessen. Moderne "samarbeidsrobotar" (cobots) gjer det mogleg for menneske og robotar å arbeide side om side på ein trygg måte. Menneske bidreg med kreativitet og tilpassingsevne, mens robotar tilbyr presisjon og styrke. For effektivt samarbeid må robotane vere enkle å "lære bort," også for folk heilt utan programmeringsbakgrunn.

 

Læring frå demonstrasjon – robotar som lærer som lærlingar

Her kjem «Læring frå demonstrasjon» (LfD) inn. I staden for tradisjonell programmering kan operatørar vise robotane korleis dei skal utføre oppgåvene sine. Som lærlingar lærer robotane frå disse demonstrasjonane og tilpassar seg variasjonar i mindre strukturerte miljø.

Kva studerte vi

I forskinga vår utforska vi LfDs potensial som ein fleksibel programmeringsmetode for industrielle robotar på tvers av fleire kontekstar:

Menneske-robot samarbeid: Vi utvikla ein læringsalgoritme som gjer det mogleg for robotar å gradvis tileigne seg nye ferdigheiter medan dei samarbeider med menneskelege kollegaer, der kvar oppgåveløysing fungerer som ein ny demonstrasjon.

Fine produksjonsoppgåver: Vi samanlikna LfD med tradisjonell datastøtta produksjon (CAM) i oppgåver som industriell liming. Demonstrasjonsbasert undervisning viste seg å vereraskare og meir intuitiv, mens CAM utmerkar seg i presisjon, men krev nøye kalibrering.

Handverksliknande applikasjonar: Vi integrerte LfD i CAM-arbeidsflyter, slik at robotar kunne lære handverksliknande ferdigheiter, illustrert gjennom ein kasusstudie om robotisk treskjering.

Mot fleksibel og inkluderande automatisering

Saman viser studiane våre at LfD kan forbetre fleksibiliteten i automatisert produksjon, ved å fungere som eit intuitivt grensesnitt for samarbeid mellom menneske og robotar, eller ved å supplere tradisjonelle metodar. Denne allsidigheita gjer LfD viktig for fleksibel automatisering, til nytte for både store fabrikkar og SMB-ar.

Daniel Schäle disputerer 19. september 2025.

Personalia

Daniel vart fødd i Ravensburg, Tyskland. Han tok ein bachelorgrad i biomimetikk ved Den westfaliske høgskulen i Bocholt, og ein mastergrad i mekatronikk ved Høgskulen i Wismar, før han flytta til Noreg i slutten av 2018 for å ta doktorgraden sin. Han har vært tilsett som doktorgradsstudent ved Campus Førde sidan januar 2023 og arbeider der som førsteamanuensis.

Prøveførelesing

Tid: 19. september, kl 10:15
Stad: Aud. Sunnfjord (Førde)
Tema: Influences and potentials of foundation models on robotic automation and software architectures

Disputas

Tid: 19. september kl. 13.15
Stad: Aud. Sunnfjord (Førde)
Tema: Flexible Automation of Industrial Tasks with Learning from Demonstration

Disputasleiar:

Prodekan for forskning ved HVL, Stig Erik Jakobsen   

Lenke til Zoom

Møte-ID:  616 2507 6278
Passord:  831744

Rettleiarar:

• Hovudrettleiar: Professor Erik Kyrkjebø, HVL
• Birettleiar: Førsteamanuensis Martin F. Stølen, HVL

Vurderingskomitè:

• Professor Carina Bringedal, HVL (komitèleiar)
• Assistant Professor Fares Abu-Dakka, New York University Abu Dhabi (Førsteopponent)
• Professor Martin Steinert, Norwegian University of Technology and Science (andreopponent)