Aero Quanser 2

Der Aero Quanser 2 ist ein modernes Experimentiergerät zur Simulation komplexer dynamischer Systeme und bietet eine ideale Plattform für den praktischen Einsatz von künstlicher Intelligenz (KI) an mechatronischen Systemen. Im Rahmen von Übungen und studentischen Arbeiten zur Künstliche Intelligenz wird das Modell genutzt, um Algorithmen des maschinellen Lernens, neuronale Netze und Reinforcement Learning (RL) in realen Regelungsaufgaben zu erproben.

Mithilfe von datengetriebenen Methoden lernen Studierende, KI-Modelle für die autonome Regelung und Optimierung des Systems zu entwickeln. Dabei stehen folgende Aspekte im Fokus:

• Reinforcement Learning (RL) zur Entwicklung autonomer Regelungsstrategien ohne explizite Modellierung
• Neuronale Netze zur Prädiktion und Mustererkennung im Systemverhalten
• Optimierung von Regelparametern durch KI-basierte Lernverfahren
• Vergleich von klassischen Regelungsverfahren und modernen KI-Ansätzen zur Bewegungssteuerung 

Abbildung 1: Quanser Aero 2 (Bildquelle: www.quanser.com)

Durch die Anwendung dieser Methoden am Aero Quanser 2 gewinnen Studierende praktische Erfahrung in der Implementierung und Feinabstimmung von KI-Modellen für echtzeitkritische, rückgekoppelte physikalische Systeme. Dies fördert nicht nur das algorithmische Verständnis, sondern zeigt auch die Herausforderungen und Potenziale KI-gestützter Regelungen in der Praxis.

Quanser Linear Flexible Inverted Pendulum

Das Linear Flexible Inverted Pendulum (LFIP) ist ein komplexes, nichtlineares System, das sich ideal für die Anwendung und Erforschung von künstlicher Intelligenz (KI) in der Regelungstechnik eignet. Im Rahmen von Übungen und studentischen Arbeiten zur Künstliche Intelligenz wird das Modell genutzt, um Algorithmen des maschinellen Lernens, neuronaler Netze und Reinforcement Learning (RL) zur Stabilisierung und Steuerung eines hochdynamischen Systems zu implementieren.

Das System zeichnet sich durch eine Kombination aus linearer Bewegung und flexibler Pendeldynamik aus, wodurch es besonders herausfordernd für klassische regelungstechnische Verfahren ist. KI-gestützte Methoden ermöglichen eine adaptive und datengetriebene Regelung. Die Studierenden erforschen unter anderem folgende Ansätze:

• Reinforcement Learning (RL) zur selbstlernenden Stabilisierung des invertierten Pendels
• Neuronale Netze zur Vorhersage des Systemverhaltens und zur modellfreien Regelung
• Optimierung von Regelungsparametern durch evolutionäre Algorithmen und maschinelles Lernen
• Vergleich von modellbasierten Regelungen und datengetriebenen KI-Methoden

Abbildung 2: Quanser Linear Flexible Inverted Pendulum (Bildquelle: www.quanser.com)

Durch den Einsatz des LFIP erlangen die Studierenden ein tiefgehendes Verständnis für die Herausforderungen der KI-basierten Regelung nichtlinearer, instabiler Systeme. Die praxisnahe Umsetzung ermöglicht es, Reinforcement Learning und neuronale Netze in einer realen Umgebung anzuwenden und zu evaluieren.

Quanser Linear Flexible Inverted Pendulum

Der Quanser Qube-Servo 2 ist ein vielseitiges mechatronisches System, das sich ideal für die Anwendung von künstlicher Intelligenz (KI) in der Regelungstechnik eignet. Im Rahmen von Übungen und studentischen Arbeiten zur Künstliche Intelligenz wird das Modell genutzt, um Reinforcement Learning (RL), neuronale Netze und datengetriebene Optimierungsmethoden in der Regelung eines dynamischen Systems zu erproben.

Der Qube-Servo 2 besteht aus einem Gleichstrommotor mit einer invertierten Pendelstange, wodurch er sich hervorragend für das Studium von nichtlinearen und instabilen Systemen eignet. Klassische Regler (z. B. PID oder LQR) werden mit modernen KI-Methoden verglichen, um deren Leistungsfähigkeit in adaptiven Szenarien zu bewerten.

Die Studierenden wenden unter anderem folgende KI-Methoden an:

• Reinforcement Learning (RL) zur autonomen Regelung des invertierten Pendels
• Neuronale Netze zur Prädiktion des Systemverhaltens und zur modellfreien Regelung
• Optimierung von Regelungsparametern durch datengetriebene Lernverfahren
• Vergleich zwischen klassischen Regelungsansätzen und KI-gestützten Methoden

 Abbildung 3: Quanser Qube-Servo 2

Durch den praktischen Einsatz des Quanser Qube-Servo 2 erlangen die Studierenden wertvolle Erfahrungen in der KI-gestützten Regelung instabiler mechanischer Systeme. Die Übungen bieten eine realistische Umgebung zur Erforschung der Herausforderungen und Potenziale von KI in der modernen Regelungstechnik.

NAO - Humanoid Robots

NAO-Roboter gehören zu den humanoiden Lernrobotern, die sich ideal für die praxisnahe Anwendung von künstlicher Intelligenz (KI) eignen. Im Rahmen der Übungen und studentischen Arbeiten werden NAO-Roboter genutzt, um maschinelles Lernen, Computer Vision, Sprachverarbeitung und autonome Entscheidungsfindung in einer realen Umgebung zu erproben.

Dank seiner vielfältigen Sensoren, Kameras, Mikrofone und Aktoren ermöglicht NAO die Implementierung und Evaluation von KI-Algorithmen in verschiedenen Anwendungsbereichen. Die Studierenden setzen unter anderem folgende Methoden ein:

• Reinforcement Learning (RL) zur Optimierung von Bewegungen und Navigationsstrategien
• Neuronale Netze für Computer Vision zur Objekterkennung und Interaktion mit der Umgebung
• Sprachverarbeitung (NLP) zur Entwicklung von Dialogsystemen und Sprachsteuerung
• Multi-Agenten-Systeme zur Koordination und Interaktion mehrerer Roboter
• Verhaltensmodellierung für autonome und adaptive Entscheidungsfindung

Abbildung 4: NAO-Roboter

Durch die direkte Interaktion mit dem NAO-Roboter erhalten die Studierenden praxisnahe Einblicke in die Herausforderungen der KI-gestützten Robotik, wie die Verarbeitung sensorischer Daten in Echtzeit oder die Steuerung komplexer Bewegungsabläufe. Die Übungen fördern ein tiefgehendes Verständnis für die Anwendung von KI in humanoiden Robotersystemen.

Carrera Slot Car Racer

Carrera Slot Car Racer bieten eine ideale Plattform für die praxisnahe Anwendung von künstlicher Intelligenz (KI) im Bereich der Objektverfolgung.  Im Rahmen von Übungen und studentischen Arbeiten zur Künstliche Intelligenz werden KI-Algorithmen entwickelt, um die Bewegung der Fahrzeuge in Echtzeit zu erfassen.

Abbildung 5: Carrera Slot Car Racing

Durch den Einsatz von Kameras, Sensoren und maschinellen Lernverfahren können die Studierenden verschiedene Methoden zur KI-gestützten Objektverfolgung erproben, darunter:

• Computer Vision zur Echtzeit-Erkennung und Verfolgung der Fahrzeuge auf der Rennstrecke
• Neuronale Netze zur robusten Verarbeitung von Bild- und Sensordaten
• Edge Detection & Feature Tracking zur präzisen Identifikation von Fahrzeugpositionen und Bewegungsrichtungen
• Datenanalyse & Prädiktive Modellierung zur Vorhersage von Fahrzeugbahnen und Rennverläufen

Diese praktische Anwendung ermöglicht den Studierenden ein tiefgehendes Verständnis für die Integration von KI-Algorithmen für Objekterkennung und -verfolgung.

JetBots mit IoT-Kommunikationsmodulen für Car2X Anwendungen

JetBots, ausgestattet mit IoT-Kommunikationsmodulen, bieten eine ideale Plattform zur Erforschung und Umsetzung von Car2X-Kommunikation im Kontext autonomer und vernetzter Fahrzeuge. Im Rahmen von Übungen und studentischen Arbeiten werden Lösungen entwickelt, um Fahrzeug-zu-Fahrzeug (V2V) und Fahrzeug-zu-Infrastruktur (V2I) Interaktionen zu ermöglichen.

Mithilfe der NVIDIA Jetson-Plattform und Echtzeit-Kommunikation über IoT-Module können die Studierenden verschiedene KI- und Netzwerktechnologien zur intelligenten Verkehrssteuerung und kollaborativen Entscheidungsfindung erproben. Dabei stehen folgende Schwerpunkte im Fokus:

• Computer Vision zur Objekterkennung, Verkehrszeichenerkennung und Hindernisvermeidung
• V2V-Kommunikation für den Austausch von Sensordaten und kollektive Fahrentscheidungen
• V2I-Integration zur Interaktion mit vernetzten Infrastrukturen wie Ampelsystemen oder Verkehrsleitsystemen

Abbildung 6: JetBots mit NVIDIA Hardware

Durch diese Experimente gewinnen die Studierenden praktische Einblicke in die Herausforderungen der KI-gestützten Fahrzeugkommunikation und vernetzten Mobilität. Die Car2X-Anwendungen mit JetBots demonstrieren das Potenzial von KI und IoT in modernen autonomen Fahrsystemen und bereiten auf zukünftige Entwicklungen in der Smart Mobility vor.

JetRacer, AWS Deep Racer mit IoT-Kommunikationsmodulen für Car2X Anwendungen

Die Modelle JetRacer, AWS DeepRacer und Quanser QCar2 bieten eine ideale Plattform zur Erforschung und praktischen Umsetzung von KI-gestützten Algorithmen für autonomes Fahren. Im Rahmen von Übungen und studentischen Arbeiten zum Thema Künstliche Intelligenz werden diese Fahrzeuge genutzt, um Maschinelles Lernen, Computer Vision und Sensorfusion in realitätsnahen Fahrszenarien zu erproben.

 Abbildung 7: Jet Racer                  Abbildung 8: AWS DeepRacer    Abbildung 9: Quanser QCar2                                                         (Bildquelle: www.AWS.com)       (Bildquelle: www.quanser.com)

Dank ihrer leistungsfähigen Hardware-Plattformen (wie NVIDIA Jetson, AWS Machine Learning Services und Quanser QCar2-Sensormodule) ermöglichen diese Modelle die Umsetzung und Analyse verschiedener KI-Methoden für autonomes Fahren. Die Studierenden arbeiten an folgenden Schwerpunkten:

• Reinforcement Learning (RL) zur autonomen Fahrstrategie-Optimierung
• Computer Vision zur Erkennung von Fahrbahnmarkierungen, Hindernissen und Verkehrsschildern
• Sensorfusion zur Integration von Kameras, Lidar und IMU-Daten für präzise Umfeldwahrnehmung
• End-to-End Deep Learning zur Steuerung auf Basis neuronaler Netze
• V2X-Kommunikation zur Interaktion mit anderen Fahrzeugen und der Infrastruktur (Quanser QCar2)
• Sim-to-Real-Transfer für die Übertragung von KI-Modellen aus der Simulation in reale Fahrversuche (AWS DeepRacer)

Durch die praxisnahe Anwendung dieser KI-Methoden gewinnen die Studierenden tiefergehende Einblicke in autonome Fahrzeugtechnologien und deren Herausforderungen, insbesondere in den Bereichen Echtzeitverarbeitung, Sicherheitsaspekte und Optimierung von Lernprozessen. Die Kombination von Simulations- und Realtestszenarien fördert ein umfassendes Verständnis für den Einsatz von KI im autonomen Fahren und bereitet auf zukünftige Entwicklungen in der Mobilität vor.

Puls-basierte Antriebsregelung an E-Bikes

Die puls-basierte Antriebsregelung für E-Bikes kombiniert IoT-Technologie, KI-gestützte Datenanalyse und adaptive Steuerung, um die Motorunterstützung individuell an die körperliche Belastung des Fahrers anzupassen. Im Rahmen von studentischen Arbeiten wird diese Technologie genutzt, um Methoden des maschinellen Lernens, der Sensorfusion und der Echtzeit-Datenverarbeitung in einem praxisnahen Mobilitätskonzept zu erproben.

Abbildung 10: E-Bike Modifikationen zur Puls-basierten Antriebsregelung

Durch die Integration von Herzfrequenzsensoren, IoT-Kommunikation und KI-basierten Regelalgorithmen können die Studierenden verschiedene Ansätze zur intelligenten Anpassung der Motorleistung untersuchen. Dabei stehen folgende Schwerpunkte im Fokus:

• Echtzeit-Analyse von Herzfrequenzdaten zur Bewertung der körperlichen Belastung
• Maschinelles Lernen zur Optimierung der Motorunterstützung basierend auf individuellen Fahrprofilen
• Neuronale Netze zur Vorhersage der optimalen Belastung für eine adaptive Antriebsregelung
• Edge- und Cloud-Computing zur effizienten Verarbeitung und Speicherung von Fahrdaten
• Vernetzte Mobilität (V2X) zur Interaktion mit Infrastruktur- und Verkehrsmanagementsystemen
• Datengetriebene Optimierung des Energieverbrauchs zur Maximierung der Akkulaufzeit und Fahrreichweite

Durch die praxisnahe Umsetzung dieser Methoden mit IoT-vernetzten E-Bike-Modifikationen erhalten die Studierenden tiefgehende Einblicke in die KI-gestützte Anpassung von Mobilitätssystemen. Die Experimente zeigen das Potenzial von datengetriebener Regelung, vernetzter Infrastruktur und personalisierter Fahrzeugsteuerung für zukünftige Smart-Mobility-Anwendungen.

Die Elektronik-Arbeitsplätze im Labor sind mit einer umfassenden Ausstattung für die Entwicklung, Analyse und Prüfung elektronischer Schaltungen ausgestattet. Die vorhandenen Geräte ermöglichen den Studierenden eine praxisnahe Umsetzung theoretischer Konzepte und unterstützen Forschungsarbeiten in den Bereichen Schaltungstechnik, Messtechnik und Embedded Systems.

Ausstattung der Elektronik-Arbeitsplätze:

Abbildung 11: Elektronik-Arbeitsplätze

• Lötstationen: Professionelle Löt- und Entlötstationen für präzise Arbeiten an elektronischen Baugruppen, einschließlich temperaturgeregelter Spitzen für SMD- und THT-Komponenten.
• Labor-Netzgeräte: Präzise regelbare DC-Netzteile mit Mehrkanalversorgung zur Spannungs- und Stromversorgung elektronischer Schaltungen und Module.
• Oszilloskope: Hochauflösende Digitaloszilloskope zur Signalanalyse, Fehlerdiagnose und Prüfung von Hochfrequenz- und Digitalschaltungen.
• Multimeter und Messtechnik: Hochpräzise Multimeter, Funktionsgeneratoren und Spektrumanalysatoren zur exakten Bestimmung von Spannungen, Strömen, Widerständen und Signaleigenschaften.
• Prüf- und Testeinrichtungen: Komponenten-Tester, Logikanalysatoren und Signalgeneratoren zur Simulation und Analyse von digitalen und analogen Schaltungen.
• ESD-Schutzmaßnahmen: Erdungsmatten, antistatische Werkzeuge und sichere Arbeitsumgebungen zum Schutz empfindlicher elektronischer Bauteile

Anwendungsbereiche im Labor:

Die Ausstattung der Elektronik-Arbeitsplätze ermöglicht eine breite Palette an Experimenten und Projekten in den Bereichen:

• Entwicklung und Analyse analoger und digitaler Schaltungen
• Fehlersuche und Reparatur elektronischer Baugruppen
• Prototyping und Test von Embedded Systems und Mikrocontrollern
• Messung und Charakterisierung von Bauteilen und Signalen
• Löten und Bestücken von Leiterplatten für Hardware-Projekte

Durch die moderne und umfangreiche Laborausstattung erhalten die Studierenden eine praxisnahe Ausbildung in Elektronik, Schaltungstechnik und Messtechnik, die sie optimal auf industrielle Anwendungen und Forschungsprojekte vorbereitet.

Das Labor verfügt über eine moderne Rechnerinfrastruktur, die speziell für Anwendungen in den Bereichen künstliche Intelligenz (KI), maschinelles Lernen, High-Performance-Computing (HPC) und Simulationen ausgelegt ist. Die Kombination aus NVIDIA DGX-Station, Jetson-Plattformen und leistungsstarken Gaming-Rechnern mit aktuellen RTX-Grafikkarten ermöglicht eine effiziente Entwicklung, Trainings- und Testumgebung für anspruchsvolle KI- und Simulationsprojekte. 

 Abbildung 12: NVIDIA DGX Station   Abbildung 13: Alienware Aurora                                              (Bildquelle: www.nvidia.com)              (Bildquelle: www.dell.com)

Abbildung 14: NVIDIA Jetson nano    Abbildung 15: Nvidia Orin                                                      (Bildquelle: www.nvidia.com)             (Bildquelle: www.nvidia.com)

• NVIDIA DGX Station: Hochleistungs-KI-Workstation mit mehreren NVIDIA A100/Tensor Core GPUs, optimiert für das Training tiefer neuronaler Netze und paralleles Rechnen.
• NVIDIA Jetson & Orin Plattformen: Energieeffiziente, auf Edge-KI optimierte Systeme für Echtzeit-KI-Verarbeitung, Robotik und autonome Systeme.
• Gaming-Workstations mit RTX-GPUs: Leistungsstarke Rechner mit aktuellen NVIDIA RTX 3090/4090/5090 Grafikkarten für Deep Learning, GPU-beschleunigte Berechnungen und grafikintensive Anwendungen.
• HPC-Cluster für verteiltes Rechnen: Systeme zur parallelen Verarbeitung von datenintensiven KI-Modellen, Simulationen und wissenschaftlichen Berechnungen