
Viele Anwendungen der Künstlichen Intelligenz benötigen eine große Anzahl von Bild- und Sensordaten. Diese zu generieren ist aufwendig. Die Erzeugung künstlicher, aber gleichzeitig sensorrealistischer Bilddaten reduziert diese Aufwände enorm und beschleunigt die Entwicklung KI-basierter Anwendungen extrem. Insbesondere können durch synthetische Bilder unterrepräsentierte Fälle berücksichtigt und dadurch gezielt ausgeglichenere Datensets erzeugt werden.
Um diese möglichst sensorrealistischen Bilder zu erhalten, zeigen insbesondere GAN-Architekturen vielversprechende erste Ergebnisse. Diese müssen anschließend mittels Metriken auf ihre Eignung bewertet werden.
Optimale Messposen für die 3D-Erfassung von Werkstücken zu bestimmen ist eine anspruchsvolle und aufwendige Aufgabe, die häufig zu suboptimalen Ergebnissen führt. Durch modellbasierte Planung von 3D-Sensor-Messungen mittels Reinforcement Learning können anhand der CAD-Modelle verschiedenster Werkstücke optimale Messposen für die 3D-Vermessung identifiziert werden, ohne reale Messungen durchführen zu müssen.
Für das Training sind viele CAD-Werkstücke erforderlich, um für unterschiedlichste Bauteilgeometrien effiziente Messposen abzuleiten. Dabei werden neben unterschiedlichen 3D-Sensoren auch die optischen Eigenschaften der Bauteile berücksichtigt, um vollständige und qualitativ hochwertige Messdaten zu erzielen. Aus einer umfassenden Messplanung können optimierte Strategien bspw. hinsichtlich der Bauteilabdeckung abgeleitet werden.