Undergraduated Seminar

Page 3 of 53.

 -  01:00 pm
Exposé

Highly-Dynamic Movements of a Humanoid Robot Using Whole-Body Trajectory Optimization

from: Julian Eßer  (Universität Duisburg-Essen)
In order to further close the gap between robots and their natural counterparts, current research is driving towards exploiting the natural dynamics of robots. This requires a rethinking about the way we design and control robots for moving in a more dynamic, efficient and natural way.Dynamic biped...
 -  01:00 pm
Kolloquium

Development and Comparison of Self-Righting Behaviors on a Four-Legged Walking Robot

from: Simon Teiwes  (Universität Bremen)
Mobile autonomous robots are increasingly conquering many fields of applications.
 The key feature of those systems is their autonomy due to their robustness against unpredictable changes of the environment or the mission goal, eliminating the need of intervention of a human operator.
 Legged robot...
 -  01:30 pm
Exposé
RH1 A 1.03

Abbildung von situationsabhängigen impliziten Bewertungen mittels Errorpotentials und dessen Verwendung beim Reinforcement Learning

from: Lukas Schloßmüller  (Universität Bremen)
Bei komplexen Reinforcement Learning Anwendungen stößt man auf das Problem eine Reward-Funktion zu definieren, da Reward-Funktionen umfangreiches Fachwissen erfordern oder zu unerwünschten Verhalten führen können. Um dieses Problem zu umgehen, werden Ansätze erforscht, welche den Menschen aktiv in d...
 -  01:00 pm
Kolloquium
RH1 A 1.03

Exploiting the SherpaTT Rover Active Suspension System to Enable Optimal Solar Array Orientation and Inclination for Long Traverses in Martian Environment

from: Georges Labrèche  (Luleå University of Technology)
The rover SherpaTT has been deployed in several field experiments where it was put under test within natural and unstructured Mars analogue terrain with respect to general morphology and geology. The rover displayed the ability to cope with natural terrain and to fulfill the task of being an explor...
 -  01:00 pm
Kolloquium
RH1 A 1.03

Adaptives Docking eines autonomen AUVs unter Störeinflüssen

from: Tim Lehr  (Universität Bremen)
Das Projekt EurEx-SiLaNa ist eine Voruntersuchung für zukünftige Missionen zum Jupitermond Europa. Auf diesem wird unter einer Eisschicht ein Ozean vermutet. Um diesen zu erreichen, soll die Eisschicht durch einen Eisbohrer penetriert werden, woraufhin der Ozean von einem Unterwasserfahreug erkundet...
 -  01:30 pm
Exposé
RH1 A 1.03

Koordinierte Regelung eines AUV mit Manipulator zur autonomen Durchführung eines Andockmanövers

from: Simon von Thaden  (Universität Bremen)
Für die Erforschung und Entwicklung von Informationsflüssen in maritimen robotischen Anwendungen wird ein AUV mit zwei Manipulatorarmen entwickelt. Mit einem der Arme soll Kontakt zu einer Struktur hergestellt werden, mit dem Ziel sich dort festzuhalten und weitere Arbeiten verrichten zu können.&nb...
 -  01:00 pm
Exposé
RH1 A 1.03

Static Orientation Control of AUVs - Conceptual Design and Control Architectures

from: Tobias Rossol  (Universität Bremen)
To counteract the interaction forces between the vehicle and its manipulator arm, Underwater Vehicle-Manipulator Systems (UVMS) are usually equipped with a sufficient configuration of thrusters to allow for 6-DOF dynamic control. Another common design method is to place lightweight elements in the t...
 -  02:00 pm
Exposé
RH1 A 1.03

Aufbau eines hydraulischen Tauchzellensystems zur dreidimensionalen Lageänderung eines tiefseefähigen Unterwasser-Fahrzeuges

from: Florian Schmeer  (Universität Bremen)
Das Projekt EurEx-SiLaNa (EurEx - Sichere Langzeitnavigation) des Deutschen Forschungszentrums für künstliche Intelligenz (DFKI) und des Deutschen Zentrums für Luft- und Raumfahrt (DLR) befasst sich mit der Erhöhung der Einsatzdauer autonomer Unterwasserfahrzeuge (engl. autonomus underwater vehicle ...
 -  01:30 pm
Exposé
RH1 A 1.03

Anwendung von hierarchischem Bestärkungslernen auf komplexe Traketorien für Manipulationsaufgaben

from: Stefan Kastner  (Universität Bremen)
Die Anzahl und die Komplexität von Aufgaben, die Roboter heute und in Zukunft übernehmen sollen, steigen stetig an. Zudem steigen auch die Ansprüche an die Flexibilität und Robustheit der Lösungen. Diese hohen Anforderungen können dazu führen, dass klassische Steuerungs- und Regelungskonzepte nicht ...
 -  01:00 pm
Zwischenbericht
RH1 A 1.03

Visual Explanations in Deep Reinforcement Learning via Convolutional Neural Network Localization

from: Matthias Rosynski  (Universität Bremen)
Deep Reinforcement Learning (DRL) connects the classic Reinforcement Learning algorithms with Convolutional Neuronal Networks (CNN). The problem in DRL is that it is hard to understand what the CNN is learning. In order to be able to use the programs in highly dangerous environments for humans and m...

Page 3 of 53.

© DFKI GmbH
last updated 30.07.2019
to top