Was ist Mathematik?
Das Mathematiklabor ist zuerst Arbeitsplatz für die Studierenden. Dazu wird die notwendige mathematische Software samt technischer Betreuung bereitgestellt, um die Studierenden bei Ihren Abschluss- und Projektarbeiten in den unterschiedlichsten Themengebieten der Mathematik zu unterstützen. Ferner stellt das Labor seinen Studenten auch mehrere Machine Learning Server zur Verfügung, welche Ihnen das Training von komplexen neuronalen Netzen ermöglichen.
Machine Learning ist auch das Stichwort für die Forschung des Labors. So wird aktuell untersucht, wie sich damit im Kontext der Robotik Fragestellungen des Predictive Maintenance und der Bildverarbeitung lösen lassen. Konkret geht es um Fertigungszellen mit ähnlichen, aber nicht identischen Komponenten wie Robotern und Greifern, deren geringe Stückzahl die Modellierung und Optimierung erschwert.
Lehre im Labor
Rechnergestützte Projekte im Rahmen von Mathematik-Veranstaltungen
Rechnergestützte Aufgaben / Projekte studentischer Hilfskräfte im Bereich der Mathematik
Rechnergestützte Bachelor- und Masterarbeiten
Projekte zur Robotik
Forschung im Labor
LeaP Learning Poses (gefördert durch Bayerisches Staatsministerium für Wissenschaft und Kunst, 2019-2022): Mit neuronalen Netzen kann die Lage eines Bauteils in Position und Orientierung ermittelt werden, ohne traditionelle Bildverarbeitung programmieren zu müssen.
PRISMA Predictive Maintenance im Sondermaschinenbau (gefördert durch Bayerisches Staatsministerium für Wirtschaft, Landesentwicklung und Energie, 2022-2024): Ein Demonstrator für ein predictive maintenance-Softwaresystem soll entwickelt werden für Anlagen im Sondermaschinenbau, die in kleinen Stückzahlen produziert werden. Aus Komponentendaten und -modellen sollen modular Aussagen über das Gesamtsystem getroffen werden.
Veröffentlichungen
Weiß, M. G. (2021): Optimization of Cartesian Tasks with Configuration Selection. 2nd IMA Conference on Mathematics of Robotics, Oxford.
Bock, S.; Weiß, M. G. (2021): Local Convergence of Adaptive Gradient Descent Optimizers. Preprint. OTH Regensburg
Bock, S.; Weiß, M. G. (2019): Rotation Detection of Components with Convolutional Neural Networks. Preprint. OTH Regensburg
Bock, S.; Weiß, M. G. (2019): Non-Convergence and Limit Cycles in the Adam optimizer. In: International Conference on Artificial Neural Networks ICANN 2019. München: Springer, 232-243.
Bock, S.; Weiß, M. G. (2019): A Proof of Local Convergence for the Adam Optimizer. In: International Joint Conference on Neural Networks IJCNN 2019. Budapest, 1--8.
Weiß, M. G. (2019): Optimal Object Placement Using a Virtual Axis. In: Jadran Lenarcic und Vicenzo Parenti-Castelli: Advances in robot kinematics 2018, Bd. 8. Cham: Springer (Springer Proceedings in Advanced Robotics, 8), S. 116–123.
Unsere Kompetenzen
Laborausstattung
9 Rechner für studentische Arbeiten
KUKA Agilus KR 6R700 sixx
KUKA LBR iiwa 7 R800
4 machine learning workstations DELL Aurora
