CAS AI-Driven Robotics

Die Robotik befindet sich in einem technologischen Umbruch. Während klassische Robotersysteme überwiegend deterministisch programmiert und in klar strukturierten Umgebungen eingesetzt werden, gewinnen adaptive und lernfähige Systeme zunehmend an Bedeutung. Diese Entwicklung wird massgeblich durch Fortschritte im Bereich Artificial Intelligence (AI), insbesondere im Bereich des Machine Learning vorangetrieben. Ein besonders anspruchsvolles Anwendungsfeld stellt die humanoide Robotik dar. Humanoide Roboter zeichnen sich durch eine hohe kinematische Redundanz, komplexe Ganzkörperdynamik, sowie durch direkte Interaktionen mit Menschen und unstrukturierten Umgebungen aus. Klassische Steuerungs- und Programmieransätze stossen hierbei rasch an ihre Grenzen. Stattdessen kommen zunehmend lernbasierte Methoden zum Einsatz, bei denen Roboter nicht vollständig programmiert, sondern gezielt trainiert werden. Dieser Trend kann unter dem Begriff «AI-Driven Robotics» zusammengefasst werden.

Im CAS AI-Driven Robotics lernen Sie klassische Roboterarchitekturen, Steuerungs- und Regelungskonzepte kennen und analysieren deren Grenzen bei komplexen, lernfähigen Systemen. Darauf aufbauend erwerben Sie Kenntnisse in Machine Learning, Reinforcement Learning, Computer Vision und multimodaler Sensorfusion. Sie arbeiten mit digitalen Zwillingen, Simulationsumgebungen und Sim-to-Real-Ansätzen und integrieren AI-Modelle in reale Robotersysteme mit ROS2. Ergänzend behandeln Sie Sicherheits-, Regulierungs- und Ethikfragen der Mensch-Roboter-Kollaboration. Im praxisorientierten Abschlussprojekt setzen Sie ein eigenes «AI-Driven Robotics»-Projekt um.

Classical Robotics and Control Architectures

Dieses Modul vermittelt eine fundierte Einführung in klassische Roboterarchitekturen und Steuerungskonzepte. Es dient als gemeinsame fachliche Basis für alle Teilnehmenden und legt den Schwerpunkt auf die Übertragung klassischer Robotik Ansätze auf humanoide Systeme. Die Grenzen deterministischer Programmier- und Regelungsansätze werden systematisch analysiert.

• Roboterkinematik und -dynamik (Vertiefung)
• Klassische Robotersteuerungen
• Bahnplanung, Regelung und Sensor-Aktor-Kopplung
• Kinematische Redundanz und Ganzkörperkoordination
• Grenzen klassischer Steuerungsansätze bei humanoiden Robotern
• Vergleich industrielle Roboter vs. humanoide Roboter

Foundations of AI for Robotics

Dieses Modul vermittelt grundlegende AI-Konzepte im Kontext robotischer Systeme. Der Fokus liegt auf der Rolle von Machine Learning und Reinforcement Learning als technologischer Wegbereiter für adaptive und lernfähige humanoide Roboter.

• Grundlagen des Machine Learning und Deep Learning
• Supervised Learning vs. Reinforcement Learning
• State-, Action- und Reward-Modelle
• Datengetriebene vs. modellbasierte Steuerungsansätze
• AI-Architekturen für Cyber-Physical Systems

Digital Twins, Simulation, and Sim-to-Real Transfer

Dieses Modul vermittelt simulationsbasierte Methoden für das Training humanoider Roboter. Es zeigt, wie digitale Zwillinge und Sim-to-Real-Ansätze für sichere und skalierbare Trainingsprozesse genutzt werden.

• Digitale Zwillinge humanoider Roboter
• Robotersimulation und Physic-Engines
• Domain Randomisation
• Sim-to-Real Transfer
• Validierung lernbasierter Steuerungen

Robot Learning and Reinforcement Learning

Dieses Modul behandelt lernbasierte Methoden zur Steuerung humanoider Roboter. Im Zentrum steht Reinforcement Learning zur Erzeugung von Bewegungen, Manipulation und Interaktion.

• Reinforcement Learning für Robotik
• Policy Learning und Reward Design
• Imitation Learning und Learning from Demonstration
• Multi-Agent Reinforcement Learning (Grundlagen)
• Training humanoider Bewegungen

AI-based Perception and Sensor Fusion

Dieses Modul vermittelt Wahrnehmungsmethoden für humanoide Roboter. Der Fokus liegt auf visueller Wahrnehmung und multimodaler Sensorfusion.

• Computer Vision für Robotik
• Deep Learning für Objekterkennung und Pose Estimation
• Multimodale Sensorfusion
• Unsicherheitsmodellierung
• Robuste Wahrnehmung

Integrating AI with the Robot Operating System (ROS2)

Dieses Modul behandelt die Integration von AI-Modellen in reale humanoide Robotersysteme unter Verwendung moderner Robotik-Frameworks (ROS2).

• ROS2-Architektur
• Integration lernbasierter Modelle
• Sensorik-, Wahrnehmungs- und Entscheidungsarchitekturen
• Edge AI und Echtzeit-Anforderungen
• Deployment auf Robotersystemen

Safety, Explainability, Regulations, Ethics, and Human-Robot Collaboration

Dieses Modul behandelt sicherheitsrelevante, regulatorische und ethische Aspekte lernender humanoider Robotersysteme.

• Sicherheitskonzepte für lernende Systeme
• Explainable AI
• Normen und regulatorische Grundlagen
• Ethik humanoider Robotik
• Mensch-Roboter-Kollaboration

Abschlussprojekt

Im Abschlussprojekt wenden Sie die im CAS erworbenen Kompetenzen in einem praxisorientierten Projekt an.

• Konzeption und Umsetzung eines «AI-driven Robotics» Projekts
• Training in Simulation und/oder auf realer Hardware
• Evaluation von Performance, Robustheit und Sicherheit
• Dokumentation und Präsentation

Diese Weiterbildung setzt auf moderne, praxisorientierte Lehr- und Lernmethoden, die gezielt auf Ihre Anforderungen im Berufsalltag abgestimmt sind:

Blended Learning

Durch die Kombination von Präsenzunterricht, betreutem Selbststudium und digitalen Lernformaten wird die Flexibilität des Online-Selbststudiums mit dem persönlichen Austausch vor Ort verbunden. Dies steigert die Lerneffizienz, ermöglicht ein individuelles Lerntempo und fördert die Eigenverantwortung im Lernprozess.

Problem- und projektbasiertes Lernen mit Robotics-Anwendungen

Sie bearbeiten realitätsnahe Robotik-Anwendungsfälle aus Industrie und Forschung. Die Projekte umfassen die Entwicklung, das Training sowie die Evaluation lernender Robotersteuerungen. Unterstützt wird Ihr Lernprozess durch den Einsatz moderner Simulationsumgebungen wie Gazebo oder NVIDIA Omniverse. Dadurch können Sie Konzepte risikofrei erproben und den Transfer auf reale Systeme gezielt vorbereiten.

Projektarbeit

Im Rahmen eines eigenständigen Abschlussprojekts im Bereich «AI-driven Robotics» setzen Sie Ihre neu erworbenen Fähigkeiten praxisnah um. Dabei demonstrieren Sie Ihre Kompetenz in der Entwicklung und Implementierung intelligenter Robotik-Lösungen.

Zielgruppe

Dieser Kurs richtet sich an Fachpersonen aus den Bereichen Technik und Informatik, die sich mit der Entwicklung, dem Einsatz oder der Bewertung moderner Robotersysteme befassen oder sich in diesem Themenfeld spezialisieren möchten. Insbesondere an:

• Ingenieurinnen und Ingenieure aus den Bereichen Robotik, Mechatronik und Automation
• Software- und Systementwickelnde mit Robotik- oder AI-Bezug
• Fachpersonen aus industrieller Forschung und Entwicklung

Ferner sind auch Projektleitende und technische Entscheidungstragende angesprochen.

Zulassung

Zugelassen sind Personen

• mit einem anerkannten Tertiärabschluss (Universität, Fachhochschule, Höhere Fachschule oder Berufs-/Höhere Fachprüfungen) in Technik, Informatik oder verwandten Bereichen;
• mit qualifizierter Berufserfahrung;
• mit einer Tätigkeit in einem Arbeitsfeld, in dem sie das Gelernte umsetzen können (Prinzip Transferorientierung);
• mit guten Programmierkenntnissen (z.B. Python, C/C++)
• mit einem guten Verständnis in den Bereichen Robotik oder Automatisierung

Bewerberinnen und Bewerber, die über vergleichbare Abschlüsse und entsprechende Berufserfahrung verfügen, können auf Basis einer individuellen Prüfung des Dossiers aufgenommen werden. 

Nach Abschluss dieses Kurses können Sie

• die Konzepte der klassischen Roboterprogrammierung anwenden, sowie deren Grenzen erklären;
• den Einsatz grundlegender AI-Konzepte im Kontext der Robotik planen;
• digitale Zwillinge und Simulationsumgebungen zum Training von AI-Modellen verwenden, sowie das Prinzip des und typische Risiken beim Sim-to-Real-Transfer beschreiben;
• Reinforcement Learning für Bewegungs- und Manipulationsaufgaben verwenden;
• Computer Vision, Deep Learning, und multimodale Sensorfusion zur Wahrnehmung der Umgebung und von Objekten verwenden;
• AI-Methoden zur Steuerung, Wahrnehmung und Entscheidungsfindung von Robotern in Kombination mit ROS2 einsetzen;
• sicherheitsrelevante und regulatorische Anforderungen bei der Implementierung von lernenden Robotersystemen, insbesondere bei deren Koexistenz mit Menschen, korrekt anwenden;
• ein «AI-driven Robotics»-Projekt selbstständig umsetzen.