TECHNISCHES GEBIET

Die vorliegende Erfindung betrifft allgemein das technische Gebiet der Robotik, der autonomen mobilen Roboter (AMRs) und insbesondere der kollaborativen Roboter (Cobots) und der Sicherheits- und Präzisionstechnik am Arbeitsplatz und in Montageanlagen.

HINTERGRUND

Cobot-Systeme werden in den letzten Jahren in immer mehr Einrichtungen eingesetzt. Dies hat dazu geführt, dass sich menschliche Arbeitskräfte zunehmend denselben Raum mit Cobot-Systemen teilen. Solche Roboter sind für besonders kollaborative Eigenschaften ausgelegt. Beispielsweise sollen Bewegungen zunächst gestoppt werden, wenn sich Objekte oder Arbeitskräfte im Weg befinden, um Schäden und Verletzungen zu verhindern. Häufig kommen als Getriebe sogenannte Spannungswellengetriebe (harmonic drive I harmonic gear box) zum Einsatz. Die Wahl des Getriebes ist jedoch primär eine Designentscheidung.

Für eine solide und präzise Steuerung eines Cobots und seiner Gelenkmotoren, welche ihn für den Einsatz in Präzisionsumgebungen als auch Arbeitsumgebungen mit Humanarbeitskräften besonders geeignet macht, ist es erforderlich, ein ausgehendes/ausgabeseitiges Drehmoment möglichst präzise zu messen und/oder zu kennen.

Häufig wird hierzu ein Drehmomentsensor eingesetzt. Dieser ist jedoch häufig teuer, regelmäßig gewichtsmäßig sehr schwer, stört den Roboter in seiner Flexbilität beim Einsatz, erhöht den Energiekonsum. Zudem liefert er nur einen Messwert, welcher nicht weiter überprüft wird. Das führt zu unkontrollierten und gefährlichen Situationen, insbesondere wenn der Drehmomentsensor einen technischen Defekt erfährt oder kompromittierte Signale ausgibt.

Die Patentschrift EP 2 231 369 B1 offenbart einen Roboter sowie ein Verfahren zum Überwachen der Momente an einem solchen Roboter. Beschrieben ist ein Roboter mit mindestens zwei Gelenken und mittels jeweils mindestens eines Gelenks relativ zueinander beweglichen Teilen, wobei an mindestens einem beweglichen Teil mindestens ein Drehmomente erfassender Sensor angeordnet ist, und wobei zur redundanten Erfassung eines Drehmoments zwei Sensoren und redundante Auswerteeinheiten zur redundanten Auswertung vorgesehen sind und wobei eine Einrichtung zum Abschalten des Roboters oder zum Auslösen eines sicheren Zustands vorgesehen ist, wenn von den mindestens zwei Sensoren erfasste Messwerte desselben Drehmoments außerhalb eines vorgegebenen Toleranzbereichs voneinander abweichen, wobei die beiden Sensoren in Form von Dehnungsmessstreifen aufweisenden Vollbrücken an einem Getriebe des Roboters so angeordnet sind, dass sie das gleiche Drehmoment erfassen und mittels zweier Rechnereinheiten in Form von unterschiedlich ausgeführten, Mikrocontroller aufweisenden integrierten Schaltungen innerhalb einer Sendeeinheit verbunden sind, in der eine erste Überprüfung der gemessenen Drehmomentwerte durchgeführt wird. Die hier beschriebene Lösung bringt jedoch unter anderem den Nachteil mit sich, dass zweifache Sensorik zur Erfassung von Drehmomenten benötigt wird, was teuer ist und sich zudem nachteilig auf die Dynamik und das Gewicht des Roboters auswirken.

Aus einem anderen Stand der Technik ist eine indirekte Bestimmung über den Motorstromfluss bekannt. Diese Lösung ist preiswert, aber höchst unpräzise, und genügt daher nicht mehr den heutigen Qualitätsstandards für hochperformante Cobot-Systeme.

Es ist deshalb eine Aufgabe der vorliegenden Erfindung, kollaborative Robotersysteme derart weiterzuentwickeln, dass sie präzise und sicher arbeiten, insbesondere in geteilten Arbeitsumgebungen mit Menschen. Dabei soll eine hohe Präzision als auch Flexibilität der Roboter gewährleistet sein und Kosten sollen bestmöglich ohne Kompromisse bei der Qualität des Produktes und der damit erzielten Ergebnisse minimiert werden.

ZUSAMMENFASSUNG

Die vorliegende Erfindung schafft das Verfahren nach Anspruch 1. Demgemäß ist ein Verfahren zur präzisen Bestimmung eines ausgabeseitigen Drehmoments, insbesondere eines ausgabeseitigen Drehmoments eines Aktuatorgetriebes eines Gelenks eines kollaborativen Roboters, mittels einer Künstlichen Intelligenz vorgesehen, welche dazu eingerichtet ist, auf Basis von Eingangsvariablen eine oder mehrere Ausgangsvariablen auszugeben, wobei die Eingangsvariablen der Künstlichen Intelligenz umfassen: eine erste Winkelangabe, welche einer eingangsseitigen Winkellage entspricht, eine zweite Winkelangabe, welche einer ausgabeseitigen Winkellage entspricht, und wobei ferner die Ausgangsvariablen das durch die Künstliche Intelligenz bestimmte ausgehende Drehmoment umfassen.

Die Künstliche Intelligenz bestimmt dabei besonders präzise das ausgegebene Drehmoment. Die Präzision ist höher als bei herkömmlichen Methoden. In Konsequenz können durch diesen präzisen Messwert die Cobot-Steuerung und die Motorsteuerung präziser arbeiten und agieren.

Die Bestimmung ist dabei auch nicht auf eine direkte Messung des Drehmoments angewiesen, beispielsweise durch einen häufig teuren und schweren Drehmomentsensor. Kommt ein solcher Drehmomentsensor dennoch zum Einsatz, so hat die Erfindung weitere Vorteile: Durch die redundante Bestimmung des Drehmoments wird die Präzision abermals erhöht. Der direkte Output des Drehmomentsensors kann die Kl in hervorragender Weise trainieren. Zudem kann die erfindungsgemäße Lösung das Drehmoment unabhängig vom Drehmomentsensor bestimmen, was beispielsweise auch besonders vorteilhaft ist, wenn letzterer ausfällt. So wird Totzeit und fehlerhaftes und/oder unkontrolliertes (und damit häufig gefährliches) Verhalten des Cobots vermieden.

Die Erfindung schafft ferner einen Roboter, insbesondere einen Cobot (oder eine Baueinheit für einen Cobot) nach Anspruch 4. Demgemäß ist ein Cobot oder Cobotbauteil vorgesehen, umfassend eine Robotikvorrichtung, insbesondere einen Roboterarm und/oder eine Montageanlage, wobei die Robotikvorrichtung ein oder mehrere Gelenke aufweist, welche durch Motoren, insbesondere Servomotoren, bewegt werden können, mindestens ein Getriebe, insbesondere Untersetzungsgetriebe, einen oder mehrere eingangsseitige Winkellagegeber, insbesondere eingangsseitiger Kodierer, zu einer in Bezug auf ein Getriebe eingangsseitigen Bestimmung einer eingangsseitigen Winkellage, einen oder mehrere ausgabeseitige Winkellagegeber, insbesondere ausgabeseitiger Kodierer, zu einer in Bezug auf das Getriebe ausgabeseitigen Winkelbestimmung einer ausgabeseitigen Winkellage, eine Steuerelektronik, welche dazu eingerichtet ist, beim Betrieb des Cobots einen Wert eines getriebeseitigen ausgehenden Drehmomentes zu berücksichtigen, welcher mittels einer Künstlichen Intelligenz bereitgestellt wurde auf Basis von Daten umfassend, eine eingangsseitige Winkellage eines eingangsseitigen Winkellagegebers sowie eine ausgabeseitige Winkellage des entsprechenden ausgabeseitigen Winkellagegebers. Es sei betont, dass die hier offenbarten Konzepte nicht auf Cobots beschränkt sind, sondern Einsatz in jeglichen Arten von Robotern finden können. Die Berechnungen können lokal und/oder nicht-lokal erfolgen, insbesondere auch verteilt, beispielsweise im Rahmen von Cloud-Computing. Der erfindungsgemäße Cobot, welcher in der Regel lokal ist, profitiert durch die Erfindung durch ein verbessertes und präziseres Verhalten bei verbesserter Arbeitssicherheit.

Zudem schafft die Erfindung eine Künstliche Intelligenz und ein passendes Trainingsverfahren. So ist erfindungsgemäß eine Künstliche Intelligenz zur präzisen Bestimmung eines ausgabeseitigen Drehmoments, insbesondere eines ausgabeseitigen Drehmoments eines Aktuatorgetriebes eines Gelenks eines kollaborativen Roboters, vorgesehen, welche dazu eingerichtet ist, auf Basis von Eingangsvariablen eine oder mehrere Ausgangsvariablen auszugeben, wobei die Eingangsvariablen der Künstlichen Intelligenz umfassen: eine erste Winkelangabe, welche einer eingangsseitigen Winkellage entspricht, eine zweite Winkelangabe, welche einer ausgabeseitigen Winkellage entspricht, und wobei ferner die Ausgangsvariablen das durch die Künstliche Intelligenz bestimmte ausgehende Drehmoment umfassen.

Die Kl kann kontinuierlich im Betrieb trainiert werden, wodurch ein enorm hoher Grad an Training gewährleistet ist, und auch Veränderungen, welche mit der Zeit eintreten, berücksichtigt werden (beispielsweise geänderte Umgebungsbedingungen oder Verschleiß).

Vorzugsweise erfolgt ein Training unter Berücksichtigung einer direkten Drehmomentmessung als Zielwert (beispielsweise ein Messwert eines Drehmomentsensors).

Als besonders geeignet hat sich unüberwachtes Lernen erwiesen. Insbesondere unter Einsatz eines Multi-Layer-Perzeptrons, insbesondere eines rekurrenten Multi-Layer- Perzeptrons, als neuronales Netz wurden gute Ergebnisse erzielt. Durch die rekurrenten Eigenschaften wird dabei ein ausreichendes Feedback gewährleistet.

Die Kl kann in einer Art Regelkreis und/oder Feedback-Loop angeordnet werden. So kann das unüberwachte Lernen effektiv durch die Drehmomentmessung als Zielwert ergänzt werden.

Die Erfindung steigert enorm die dynamische Einsetzbarkeit von Cobots in geänderten Bedingungen. Beispielsweise wird auch eine hohe Präzision nach einem Ersatzteiltausch am Cobot (oder bspw. refurbished cobots) durch die hohe Flexibilität der Kl gewährleistet. Die Kl kann beispielsweise Winkelgeschwindigkeit, Geschwindigkeit, Beschleunigung und Temperatur als weitere Features (Eingangsvariablen) berücksichtigen, um diesen Effekten gebührend Rechnung zu tragen. Die Erfindung ist aber keineswegs hierauf beschränkt.

Die Erfindung macht mittels der Kl Effekte wie Reibung, Verschleiß, Materialermüdung, Umkehrspanne, Gegenreaktionen, andere nicht-lineare Effekte, Fertigungstoleranzen und/oder Individualunterschiede bei der Herstellung einer effizienten Auswertung und Berücksichtigung bei der Cobot-Steuerung zugänglich. Diese Effekte sind häufig schwer zu simulieren und noch seltener einer direkten und adäquaten mathematischen Beschreibung zugänglich. Mittels der Künstlichen Intelligenz werden diese Probleme überkommen.

Die Erfindung ist keineswegs auf die hier genannten Effekte (im Sinne einer erschöpfenden Liste) beschränkt. Ganz im Gegenteil besteht ein besonderer Vorteil des Einsatzes der Künstlichen Intelligenz im vorliegenden Fall darin, dass die einzelnen Effekte nicht manuell modelliert werden müssen, sondern sämtliche auftretende Effekte - und dabei alle jeweils in der ihnen gebührenden Größenordnung - simultan und unmittelbar von der Kl nachvollzogen werden.

Durch die präzise und gegebenenfalls redundante Bestimmung des Ausgangsdrehmomentes trägt die Erfindung nachhaltig zum technischen Fortschritt auf dem technischen Gebiet der kollaborativen Roboter bei.

KURZE BESCHREIBUNG DER ZEICHNUNGEN

Bevorzugte Ausführungsformen der vorliegenden Offenbarung werden nachfolgend mit Bezugnahme auf die folgenden Figuren beschrieben:

Fig. 1: ein Gelenk eines Roboters mit eingangsseitigem und ausgangsseitigem/ausgabeseitigem Winkellagekodierer

Fig. 2: ein Gelenk eines Roboters ausgangsseitigem/ausgabeseitigem

Drehmomentsensor und ausgangsseitigem/ausgabeseitigem Winkellagekodierer

Fig. 3: eine schematische Zeichnung eines Antriebsstranges für ein Robotergelenk mit ausgangsseitigem/ausgabeseitigem Drehmomentsensor und beidseitigen Winkellagekodierern gemäß einer Ausführungsform der vorliegenden Erfindung. DETAILLIERTE BESCHREIBUNG

Die Figur 1 zeigt ein Gelenk 100 eines Roboters mit eingangsseitigem und ausgangsseitigem/ausgabeseitigem Winkellagekodierer.

Ein eingangsseitiger Winkelgeber oder Winkellagekodierer 1 ist im vorliegenden Falle durch den Absolutwertgeber 1 bereitgestellt.

Ferner ist ein ausgangsseitiger/ausgabeseitiger Winkelgeber oder Winkellagekodierer 2 durch den Inkrementaldrehgeber 2 bereitgestellt.

Durch die doppelte Bestückung mit Winkellagekodierern ist dieser Cobot der Erfindung zugänglich.

Die Figur 2 zeigt ein Gelenk 100 eines Roboters ausgangsseitigem/ausgabeseitigem Drehmomentsensor 210 und ausgangsseitigem/ausgabeseitigem Winkellagekodierer 202.

Ein Spannungswellengetriebe, Wellgetriebe oder Gleitkeilgetriebe 203 dient der Untersetzung im Antriebsstranges des Robotergelenks.

Die Figur 3 zeigt eine schematische Zeichnung eines Antriebsstranges für ein Robotergelenk mit ausgangsseitigem/ausgabeseitigem Drehmomentsensor und beidseitigen Winkellagekodierern gemäß einer Ausführungsform der vorliegenden Erfindung.

Ein elektrischer Motor 330 treibt eine Welle 320 zu Rotationsbewegungen an. Ein Spannungswandler 340 stellt dabei die nötige Energie zur Verfügung, wobei eine Motor- Steuerungselektronik 350 eine Ansteuerung des Motors 330 bewirkt. Die Welle 320 mündet ausgangsseitig in einem Geschwindigkeitsreduktor 360. Das Getriebe bewirkt beispielsweise eine Untersetzung.

Ein Drehgeber oder Winkellagegeber 301 ist eingangsseitig angeordnet (eingangsseitiger Winkellagegeber 301). Ein weiterer Drehgeber oder Winkellagegeber 302 ist ausgangsseitig angeordnet (ausgangsseitiger Winkellagegeber 302). Erfindungsgemäß wird mittels einer Künstlichen Intelligenz aus den Messwerten der Winkellagegeber 301 , 302 (und/oder der Differenz der Messwerte) ein ausgangsseitig im Gelenk ausgegebenes Drehmoment bestimmt.

Das Drehmoment kann auch direkt durch einen Drehmomentsensor ausgangsseitig bestimmt werden. So ist insbesondere eine redundante Drehmomentbestimmung möglich. Diese ist besonders präzise. Auch ist einem Ausfall des Drehmomentsensors vorgebeugt.

Zudem kann das direkt durch den Drehmomentsensor gemessene Drehmoment hervorragend dazu verwendet werden, um die Kl zu trainieren.

Beispielsweise wird im kontinuierlichen Betrieb die Kl weiter trainiert unter Nutzung des Drehmomentsensors.

Später kann beispielsweise der Drehmomentsensor, beispielsweise temporär, entfernt werden. Er kann aber auch vorhanden bleiben. Wenn er irgendwann ausfällt, wird das Training gestoppt, und die hervorragend und ausgiebig trainierte Kl übernimmt allein die Drehmomentbestimmung (auf Basis der Ausgabewerte der beiden Drehgeber).

Die Erfindung hat den weiteren Vorteil, dass durch die Kl, insbesondere durch das kontinuierlich weiter erfolgende Training, Umgebungseffekten (z.B. Temperatur) als auch Verschleißerscheinungen, Materialermüdung, Fertigungstoleranzen der Bauteile, etc. dynamisch Rechnung getragen wird.

Die Erfindung trägt somit zu einer verbesserten Cobot-Steuerung bei, da diese mit einem deutlich präziser bestimmten Drehmoment-Output arbeiten kann.

Der technische Effekt der Erfindung tritt also ein, wenn die Drehmomentbestimmung redundant erfolgt (durch Drehgeber + Kl als auch direkt durch Drehtmomentsensor), als auch dann, wenn der Drehmomentsensor ausfällt. Im letzteren Falle werden insbesondere Ausfallzeit und fehlerhaftes Verhalten des Cobots vermieden.

Dies bringt wirtschaftliche Vorteile mit sich.

Die hier schematisch beschriebenen Ausführungsformen lassen sich durch zahlreiche, insbesondere durch die oben bereits beschriebenen, Details zur Erfindung weiter ausgestalten.

Obwohl einige Aspekte im Rahmen einer Vorrichtung beschrieben wurden, ist es klar, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, wobei ein Block oder eine Vorrichtung einem Verfahrensschritt oder einer Funktion eines Verfahrensschritts entspricht. Analog dazu stellen Aspekte, die im Rahmen eines Verfahrensschritts beschrieben werden, auch eine Beschreibung eines entsprechenden Blocks oder Elements oder einer Eigenschaft einer entsprechenden Vorrichtung dar. Ausführungsbeispiele der Erfindung können in einem Computersystem realisiert werden. Das Computersystem kann eine lokale Computervorrichtung (z.B. Personalcomputer, Laptop, Tablet-Computer, Mobiltelefon oder ein eingebettetes Steuergerät im Roboter) mit einem oder mehreren Prozessoren und einer oder mehreren Speichervorrichtungen oder kann ein verteiltes Computersystem (z.B. ein Cloud-Computing-System mit einem oder mehreren Prozessoren oder einer oder mehreren Speichervorrichtungen, die an verschiedenen Stellen verteilt sind, zum Beispiel an einem lokalen Client und/oder einer oder mehreren Remote-Server-Farms und/oder Datenzentren) sein. Das Computersystem kann irgendeine Schaltung oder Kombination von Schaltungen umfassen. Bei einem Ausführungsbeispiel kann das Computersystem einen oder mehrere Prozessoren umfassen, die von irgendeinem Typ sein können. Nach hiesigem Gebrauch kann Prozessor irgendein Typ von Rechenschaltung bedeuten, wie beispielsweise, aber nicht beschränkt auf, ein Mikroprozessor, ein Mikrocontroller, ein Mikroprozessor mit komplexem Befehlssatz (CISC), ein Mikroprozessor mit reduziertem Befehlssatz (RISC), ein Sehr-Ianges-Anweisungswort- (Very Long Instruction Word; VLIW) Mikroprozessor, ein Graphikprozessor, ein digitaler Signalprozessor (DSP), ein Multi-Core-Prozessor, ein feld-programmierbares Gate-Array (FPGA) oder irgendein anderer Typ von Prozessor oder Verarbeitungsschaltung. Andere Typen von Schaltungen, die in dem Computersystem umfasst sein können, können eine speziell angefertigte Schaltung, eine anwendungsspezifische integrierte Schaltung (ASIC) oder Ähnliches, wie beispielsweise eine oder mehrere Schaltungen (z. B. eine Kommunikationsschaltung) zur Verwendung bei drahtlosen Vorrichtungen wie z. B. Mobiltelefonen, Tablet-Computern, Laptop-Computern, Funksprechgeräten und ähnlichen elektronischen Systemen sein. Das Computersystem kann eine oder mehrere

Speichervorrichtungen umfassen, die ein oder mehrere Speicherelemente umfassen können, die für die jeweilige Anwendung geeignet sind, wie beispielsweise einen Hauptspeicher in der Form eines Direktzugriffsspeichers (RAM, Random Access Memory), eine oder mehrere Festplatten und/oder ein oder mehrere Laufwerke, die entfernbare Medien, wie beispielsweise CDs, Flash-Speicherkarten, DVD und Ähnliches handhaben. Das Computersystem kann auch eine Anzeigevorrichtung, einen oder mehrere Lautsprecher, und eine Tastatur und/oder Steuerung umfassen, die eine Maus, Trackball, Touchscreen, Stimmerkennungsvorrichtung oder irgendeine andere Vorrichtung umfassen kann, die es einem Systemnutzer erlaubt, Information in das Computersystem einzugeben und Information von demselben zu empfangen.

Einige oder alle Verfahrensschritte können durch (oder unter Verwendung) einer Hardwarevorrichtung ausgeführt werden, wie es zum Beispiel ein Prozessor, ein Mikroprozessor, ein programmierbarer Computer oder eine elektronische Schaltung sein kann. In einigen Ausführungsbeispielen können ein oder mehrere der wichtigsten Verfahrensschritte durch eine solche Vorrichtung ausgeführt werden.

Abhängig von bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder Software implementiert werden. Die Implementierung kann mit einem nicht-flüchtigen Speichermedium wie einem digitalen Speichermedium, wie beispielsweise einer Diskette, einer DVD, einem Blu-Ray, einer CD, einem ROM, einem PROM und EPROM, einem EEPROM oder einem FLASH-Speicher, durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem so Zusammenwirken (oder Zusammenwirken können), dass das jeweilige Verfahren durchgeführt wird. Daher kann das digitale Speichermedium computerlesbar sein.

Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Datenträger mit elektronisch lesbaren Steuersignalen, die mit einem programmierbaren Computersystem Zusammenwirken können, so dass eines der hierin beschriebenen Verfahren durchgeführt wird.

Im Allgemeinen können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert werden, wobei der Programmcode für die Ausführung eines der Verfahren wirksam ist, wenn das Computerprogrammprodukt auf einem Computer läuft. Der Programmcode kann beispielsweise auf einem maschinenlesbaren Träger gespeichert werden.

Weitere Ausführungsbeispiele umfassen das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren, das auf einem maschinenlesbaren Träger gespeichert ist.

Mit anderen Worten, ein Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Computerprogramm mit einem Programmcode zur Durchführung eines der hierin beschriebenen Verfahren, wenn das Computerprogramm auf einem Computer läuft.

Ein weiteres Ausführungsbeispiel der vorliegenden Erfindung ist daher ein Speichermedium (oder ein Datenträger oder ein computerlesbares Medium), das ein darauf gespeichertes Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren umfasst, wenn es von einem Prozessor ausgeführt wird. Der Datenträger, das digitale Speichermedium oder das aufgezeichnete Medium sind in der Regel greifbar und/oder nicht übergangslos. Eine weiteres Ausführungsbeispiel der vorliegenden Erfindung ist eine

Vorrichtung, wie hierin beschrieben, die einen Prozessor und das Speichermedium umfasst.

Ein weiteres Ausführungsbeispiel der Erfindung ist daher ein Datenstrom oder eine Signalfolge, die das Computerprogramm zur Durchführung eines der hierin beschriebenen Verfahren darstellt. Der Datenstrom oder die Signalfolge kann beispielsweise so konfiguriert werden, dass sie über eine Datenkommunikationsverbindung, beispielsweise über das Internet, übertragen werden.

Ein weiteres Ausführungsbeispiel umfasst ein Verarbeitungsmittel, zum Beispiel einen Computer oder eine programmierbare Logikvorrichtung, das konfiguriert oder angepasst ist, um eines der hierin beschriebenen Verfahren auszuführen.

Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren installiert ist.

Ein weiteres Ausführungsbeispiel gemäß der Erfindung umfasst eine Vorrichtung oder ein System, das konfiguriert ist, um (zum Beispiel elektronisch oder optisch) ein Computerprogramm zum Ausführen eines der hierin beschriebenen Verfahren an einen Empfänger zu übertragen. Der Empfänger kann beispielsweise ein Computer, eine mobile Vorrichtung, eine Speichervorrichtung oder dergleichen sein. Die Vorrichtung oder das System kann beispielsweise einen Dateiserver zum Übertragen des Computerprogramms an den Empfänger umfassen.

In einigen Ausführungsbeispielen kann eine programmierbare logische Vorrichtung (z.B. eine feldprogrammierbare Gatteranordnung, FPGA) verwendet werden, um einige oder alle Funktionalitäten der hierin beschriebenen Verfahren auszuführen. In einigen Ausführungsbeispielen kann eine feldprogrammierbare Gatteranordnung mit einem Mikroprozessor Zusammenarbeiten, um eines der hierin beschriebenen Verfahren durchzuführen. Im Allgemeinen werden die Verfahren vorzugsweise von jedem Hardwaregerät durchgeführt.

Ausführungsbeispiele können auf dem Verwenden einer Künstlichen Intelligenz, insbesondere eines Maschinenlern-Modells oder Maschinenlern-Algorithmus, basieren. Maschinelles Lernen kann sich auf Algorithmen und statistische Modelle beziehen, die Computersysteme verwenden können, um eine bestimmte Aufgabe ohne Verwendung expliziter Anweisungen auszuführen, anstatt sich auf Modelle und Inferenz zu verlassen. Beim maschinellen Lernen kann beispielsweise anstatt einer auf Regeln basierenden Transformation von Daten, eine Transformation von Daten verwendet werden, die aus einer Analyse von Verlaufs- und/oder Trainings-Daten hergeleitet werden kann. Beispielsweise kann der Inhalt von Bildern oder anderer Daten, z.B. Sensordaten oder Messwerte, unter Verwendung eines Maschinenlern-Modells oder unter Verwendung eines Maschinenlern- Algorithmus analysiert werden. Damit das Maschinenlern-Modell den Inhalt eines Bildes analysieren kann, kann das Maschinenlern-Modell unter Verwendung von Trainingsbildern als Eingabe und Trainingsinhaltsinformation als Ausgabe trainiert werden. Durch Trainieren des Maschinenlern-Modells mit einer großen Anzahl von Trainingsbildern und/oder Trainingssequenzen (z. B. Wörtern oder Sätzen) und zugeordneter Trainingsinhaltsinformation (z. B. Kennzeichnungen oder Anmerkungen) „lernt“ das Maschinenlern-Modell, den Inhalt der Bilder zu erkennen, sodass der Inhalt von Bildern, die in den Trainingsdaten nicht umfasst sind, unter Verwendung des Maschinenlern-Modells erkannt werden kann. Das gleiche Prinzip kann für andere Arten von Sensordaten ebenfalls verwendet werden: Durch Trainieren eines Maschinenlern-Modells unter Verwendung von Trainingssensordaten und einer erwünschten Ausgabe „lernt“ das Maschinenlern-Modell eine Umwandlung zwischen den Sensordaten und der Ausgabe, was verwendet werden kann, um eine Ausgabe basierend auf an das Maschinenlern-Modell bereitgestellten Nicht- Trainings-Sensordaten bereitzustellen. Die bereitgestellten Daten (z.B. Sensordaten, Metadaten und/oder Bilddaten) können vorverarbeitet werden, um einen Merkmalsvektor zu erhalten, welcher als Eingang für das Maschinenlern-Modell verwendet wird.

Maschinenlern-Modelle können unter Verwendung von Trainingseingabedaten trainiert werden. Die oben angeführten Beispiele verwenden ein Trainingsverfahren, das „Supervised Learning“ genannt wird. Beim Supervised Learning wird das Maschinenlern-Modell unter Verwendung einer Mehrzahl von Trainingsabtastwerten trainiert, wobei jeder Abtastwert eine Mehrzahl von Eingabedatenwerten und eine Mehrzahl von erwünschten Ausgabewerten, d. h. jedem Trainingsabtastwert ist ein erwünschter Ausgabewert zugeordnet, umfassen kann. Durch Angeben sowohl von Trainingsabtastwerten als auch erwünschten Ausgabewerten „lernt“ das Maschinenlern-Modell, welcher Ausgabewert basierend auf einem Eingabeabtastwert, der ähnlich zu den während des Trainings bereitgestellten Abtastwerten ist, bereitzustellen ist. Neben dem Supervised Learning kann auch Semi-Supervised Learning verwendet werden. Beim Semi-Supervised Learning fehlt einigen der Trainingsabtastwerte ein erwünschter Ausgabewert. Supervised Learning kann auf einem Supervised Learning-Algorithmus basieren (z. B. einem Klassifizierungsalgorithmus, einem Regressionsalgorithmus oder einem Ähnlichkeitslernen-Algorithmus).

Klassifizierungsalgorithmen können verwendet werden, wenn die Ausgaben auf eine begrenzte Menge von Werten (kategorische Variablen) beschränkt sind, d. h. die Eingabe ist als einer aus dem begrenzten Satz von Werten klassifiziert. Regressionsalgorithmen können verwendet werden, wenn die Ausgaben irgendeinen Zahlenwert (innerhalb eines Bereichs) ausweisen. Ähnlichkeitslernen-Algorithmen können sowohl Klassifizierungs- als auch Regressionsalgorithmen ähnlich sein, basieren aber auf dem Lernen aus Beispielen unter Verwendung einer Ähnlichkeitsfunktion, die misst, wie ähnlich oder verwandt zwei Objekte sind. Neben dem Supervised Learning oder Semi-Supervised Learning kann Unsupervised Learning verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim Unsupervised Learning werden möglicherweise (nur) Eingabedaten bereitgestellt und ein Unsupervised Learning-Algorithmus kann verwendet werden, um eine Struktur in den Eingabedaten zu finden (z. B. durch Gruppieren oder Clustern der Eingabedaten, Finden von Gemeinsamkeiten in den Daten). Clustern ist die Zuweisung von Eingabedaten, die eine Mehrzahl von Eingabewerten umfassen, in Teilmengen (Cluster), sodass Eingabewerte innerhalb desselben Clusters gemäß einem oder mehreren (vordefinierten) Ähnlichkeitskriterien ähnlich sind, während sie Eingabewerten, die in anderen Clustern umfasst sind, unähnlich sind.

Verstärkendes Lernen ist eine dritte Gruppe von Maschinenlern-Algorithmen. Anders ausgedrückt, verstärkendes Lernen kann verwendet werden, um das Maschinenlern-Modell zu trainieren. Beim verstärkenden Lernen werden ein oder mehrere Software-Akteure (sogenannte „Software Agents“) trainiert, um Handlungen in einer Umgebung vorzunehmen. Basierend auf den vorgenommenen Handlungen wird eine Belohnung berechnet. Verstärkendes Lernen basiert auf dem Trainieren des einen oder der mehreren Software Agents, um die Handlungen auszuwählen, derart, dass die kumulative Belohnung erhöht wird, was zu Software Agents führt, die in der Aufgabe, die ihnen gegeben wird, besser werden (wie durch steigende Belohnungen nachgewiesen).

Ferner können einige Techniken auf einige der Maschinenlern-Algorithmen angewandt werden. Zum Beispiel kann Feature Learning verwendet werden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Feature Learning trainiert werden, und/oder der Maschinenlern-Algorithmus kann eine Feature Learning- Komponente umfassen. Feature Learning-Algorithmen, die Representation Learning- Algorithmen genannt werden, können die Information in ihrer Eingabe erhalten, sie aber derart transformieren, dass sie nützlich wird, häufig als Vorverarbeitungsstufe vor dem Ausführen der Klassifizierung oder dem Vorhersagen. Feature Learning kann beispielsweise auf einer Hauptkomponenten-Analyse oder Cluster-Analyse basieren. Bei einigen Beispielen kann eine Anomaliedetektion (d. h. Ausreißer-Detektion) verwendet werden, die darauf abzielt, eine Identifizierung von Eingabewerten bereitzustellen, die Verdacht erregen, da sie sich erheblich von der Mehrheit von Eingabe- und Trainingsdaten unterscheiden. Anders ausgedrückt, das Maschinenlern-Modell kann zumindest teilweise unter Verwendung von Anomaliedetektion trainiert werden, und/oder der Maschinenlern- Algorithmus kann eine Anomaliedetektions-Komponente umfassen.

Bei einigen Beispielen kann der Maschinenlern-Algorithmus einen Entscheidungsbaum als Vorhersagemodell verwenden. Anders ausgedrückt, das Maschinenlern-Modell kann auf einem Entscheidungsbaum basieren. Bei einem Entscheidungsbaum können die Beobachtungen zu einem Gegenstand (z. B. einer Menge von Eingabewerten) durch die Zweige des Entscheidungsbaums dargestellt werden, und ein Ausgabewert, der dem Gegenstand entspricht, kann durch die Blätter des Entscheidungsbaums dargestellt werden. Entscheidungsbäume können sowohl diskrete Werte als auch fortlaufende Werte als Ausgabewerte unterstützen. Wenn diskrete Werte verwendet werden, kann der Entscheidungsbaum als Klassifizierungsbaum bezeichnet werden, wenn fortlaufende Werte verwendet werden, kann der Entscheidungsbaum als Regressionsbaum bezeichnet werden.

Assoziationsregeln sind eine weitere Technik, die bei Maschinenlern-Algorithmen verwendet werden kann. Anders ausgedrückt, das Maschinenlern-Modell kann auf einer oder mehreren Assoziationsregeln basieren. Assoziationsregeln werden erstellt, indem Verhältnisse zwischen Variablen bei großen Datenmengen identifiziert werden. Der Maschinenlern- Algorithmus kann eine oder mehrere Verhältnisregeln identifizieren und/oder nutzen, die das Wissen darstellen, dass aus den Daten hergeleitet ist. Die Regeln können z. B. verwendet werden, um das Wissen zu speichern, zu manipulieren oder anzuwenden.

Maschinenlern-Algorithmen basieren normalerweise auf einem Maschinenlern-Modell. Anders ausgedrückt, der Begriff „Maschinenlern-Algorithmus“ kann einen Satz von Anweisungen bezeichnen, die verwendet werden können, um ein Maschinenlern-Modell zu erstellen, zu trainieren oder zu verwenden. Der Begriff „Maschinenlern-Modell“ kann eine Datenstruktur und/oder einen Satz von Regeln bezeichnen, die/der das erlernte Wissen darstellt (z. B. basierend auf dem durch den Maschinenlern-Algorithmus ausgeführten Training). Bei Ausführungsbeispielen kann die Verwendung eines Maschinenlern- Algorithmus die Verwendung eines zugrundeliegenden Maschinenlern-Modells (oder einer Mehrzahl von zugrundeliegenden Maschinenlern-Modellen) implizieren. Die Verwendung eines Maschinenlern-Modells kann implizieren, dass das Maschinenlern-Modell und/oder die Datenstruktur/der Satz von Regeln, welche das Maschinenlern-Modell ist/sind, durch einen Maschinenlern-Algorithmus trainiert wird.

Beispielsweise kann das Maschinenlern-Modell ein künstliches neuronales Netz (ANN; artificial neural network) sein. ANNs sind Systeme, die durch biologische neuronale Netze inspiriert sind, wie sie in einer Netzhaut oder einem Gehirn zu finden sind. ANNs umfassen eine Mehrzahl von zwischenverbundenen Knoten und eine Mehrzahl von Verbindungen, sogenannte Kanten (edges), zwischen den Knoten. Es gibt normalerweise drei Knotentypen, Eingabeknoten, die Eingabewerte empfangen, versteckte Knoten, die (nur) mit anderen Knoten verbunden sind, und Ausgabeknoten, die Ausgabewerte bereitstellen. Jeder Knoten kann ein künstliches Neuron darstellen. Jede Kante kann Information senden, von einem Knoten zum anderen. Die Ausgabe eines Knoten kann als eine (nichtlineare) Funktion der Eingaben definiert sein (z.B. der Summe seiner Eingaben). Die Eingaben eines Knoten können in der Funktion basierend auf einem „Gewicht“ der Kante oder des Knoten, der die Eingabe bereitstellt, verwendet werden. Das Gewicht von Knoten und/oder von Kanten kann in dem Lernprozess angepasst werden. Anders ausgedrückt, das Training eines künstlichen neuronalen Netzes kann ein Anpassen der Gewichte der Knoten und/oder Kanten des künstlichen neuronalen Netzes umfassen, d. h. um eine erwünschte Ausgabe für eine bestimmte Eingabe zu erreichen.

Alternativ kann das Maschinenlern-Modell eine Support-Vector-Machine, ein Random- Forest-Modell oder ein Gradient-Boosting-Modell sein. Support Vector Machines (d. h. Stützvektornetze) sind Supervised Learning-Modelle mit zugeordneten Lernalgorithmen, die verwendet werden können, um Daten zu analysieren (z. B. in einer Klassifizierungs- oder Regressionsanalyse). Support Vector Machines können durch Bereitstellen einer Eingabe mit einer Mehrzahl von Trainingseingabewerten, die zu einer von zwei Kategorien gehören, trainiert werden. Die Support Vector Machine kann trainiert werden, um einer der beiden Kategorien einen neuen Eingabewert zuzuweisen. Alternativ kann das Maschinenlern-Modell ein bayessches Netz sein, das ein probabilistisches gerichtetes azyklisches graphisches Modell ist. Ein bayessches Netz kann einen Satz von Zufallsvariablen und ihre bedingten Abhängigkeiten unter Verwendung eines gerichteten azyklischen Graphen darstellen. Alternativ kann das Maschinenlern-Modell bzw. dessen Training auf einem genetischen Algorithmus basieren, der ein Suchalgorithmus und heuristische Technik ist, die den Prozess der natürlichen Selektion imitiert. LISTE DER BEZUGSZEICHEN

1 Winkellagekodierer/Absolutwertgeber (eingangsseitig)

2 Winkellagekodierer/Inkrementaldrehgeber (ausgabeseitig) 3 Getriebe

20 Antriebswelle

100 Gelenk eines Roboters

202 Winkellagekodierer (ausgabeseitig)

203 Getriebe 210 Drehmomentsensor (ausgabeseitig)

301 Winkellagekodierer (eingangsseitig)

302 Winkellagekodierer (ausgabeseitig)

310 Drehmomentsensor (ausgabeseitig)

320 Antriebswelle 330 Motor/Elektromotor

340 Spannungswandler/Spannungsquelle

350 SteuerungselektronikAeinheit für Motor

360 Geschwindigkeitsreduktor