Smarte Produktionsplanung und Transporte
vwadb.detail.abstract
Unser Forschungsprojekt REINFORCE bewertet das Potenzial von Reinforcement Learning als Lösungsansatz für komplexe Steuerungsprobleme. Der Ansatz wird in zwei komplementären Anwendungsfällen im Bereich intelligenter Fahrzeugsysteme implementiert und evaluiert. Sowohl bei der Steuerung des Antriebsstrangs von Personenkraftwagen als auch beim Steuern von fahrerlosen Transportsystemen, stoßen etablierte Ansätze zunehmend an ihre Grenzen. REINFORCE beschäftigt sich einerseits mit den technischen Aspekten des Reinforcement Learnings, also mit der Entwicklung von Algorithmen, die auf die Herausforderungen realer Szenarien zugeschnitten sind. Andererseits werden auch der Faktor Mensch sowie ökonomische Aspekte miteinbezogen. Besondere Aufmerksamkeit kommt der Erklärbarkeit und Vertrauenswürdigkeit der Ergebnisse, der Übertragung des Gelernten zurück zum Menschen und der Frage, wie die Technologie am besten in bestehende Steuerungsprozesse integriert werden kann zu.
vwadb.detail.links
HIER geht es zum Projekt.
vwadb.detail.suggestions
- Welche Anwendungen gibt es für maschinelles Lernen in einem Produktionsbetrieb?
- Wie können Transportsysteme smarter werden?
vwadb.detail.literature
- Allgemeine Einführung: Thonemann, U. (2010). Operations management: konzepte, methoden und anwendungen. Pearson Deutschland GmbH.
- Produktionsplanung: Buzacott, J. A., Schneider, H. M., Corsten, H., & Gössinger, R. (2010). Produktionsplanung und-steuerung: Grundlagen, Konzepte und integrative Entwicklungen. Oldenbourg Verlag.
- Maschinelles Lernen und Reinforcement learning: Grus, J. (2019). Einführung in Data Science: Grundprinzipien der Datenanalyse mit Python. O'Reilly. und
- Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.