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 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.

Robotik-Grundlagen und Grenzen klassischer Ansätze

Dieses Modul vermittelt einen kompakten, anwendungsorientierten Überblick über klassische Roboterarchitekturen und Steuerungskonzepte. Es zeigt auf, wo deterministische Ansätze an ihre Grenzen stossen und dient als gemeinsame fachliche Basis und als Ausgangspunkt für den AI-Einsatz in den nachfolgenden Modulen.

• Grundlagen der Roboterkinematik und -dynamik (Überblick)
• Klassische Robotersteuerungen und Regelungsansätze (Überblick)
• Grenzen deterministischer Programmier- und Regelungsansätze
• Vergleich industrielle Roboter vs. humanoide/kollaborative Roboter
• Automatisierungspotenziale und typische Einsatzfelder in der Industrie 

Grundlagen moderner AI-Modelle

Dieses Modul vermittelt ein fundiertes Verständnis moderner AI-Modelle (Foundation Models, LLMs, Vision-Modelle) um sie einordnen, auswählen und im Unternehmen einsetzen zu können.

• Funktionsweise von Machine Learning, Deep Learning und Foundation Models (konzeptionell)
• Landschaft aktueller Modelle: LLMs, Vision-Modelle, multimodale Modelle
• Open Source vs. proprietäre Modelle, API- vs. lokaler Betrieb
• Fähigkeiten und typische Grenzen/Fehlerquellen (Halluzination, Bias, Robustheit)
• Kosten-, Datenschutz- und Betriebsüberlegungen bei der Modellwahl 

Bestehende AI-Modelle nutzen und anpassen

Das Modul vermittelt, wie bestehende KI-Modelle ohne eigenes Training effektiv für konkrete Anwendungsfälle nutzbar gemacht werden können, angefangen beim sogenannten Prompt Engineering bis hin zur leichten Anpassung bestehender Modelle.

• Prompt Engineering und strukturierte Interaktion mit Modellen
• Retrieval-Augmented Generation (RAG) – Nutzung eigener Daten ohne Training
• Fine-Tuning vs. Prompting vs. RAG: Wann was?
• Anbindung von Modellen über APIs
• Evaluation und Qualitätssicherung von Modell-Outputs im Unternehmenskontext 

AI im Arbeitsalltag – Agentisches Arbeiten 

Dieses Modul vermittelt den produktiven Einsatz von AI-Tools im beruflichen Alltag, mit Fokus auf agentische Workflows und Automatisierung wiederkehrender Aufgaben.

• AI-gestütztes Programmieren
• Agentische AI-Systeme: Konzepte, Tool-Use, Agent-Konfigurationen
• Automatisierung wiederkehrender Arbeitsprozesse mit AI-Agenten
• Praktische Grenzen, Fallstricke und Qualitätskontrolle im professionellen Einsatz
• Change-Management: AI-Einführung im eigenen Team/Unternehmen 

AI-gestützte Wahrnehmung mit bestehenden Modellen 

Dieses Modul vermittelt die Auswahl und den Einsatz bestehender, vortrainierter Wahrnehmungsmodelle (Computer Vision, Sensorfusion) für humanoide und industrielle Robotersysteme, sowie deren Anpassung an eigene Daten.

• Überblick Computer Vision für Robotik
• Einsatz vortrainierter Modelle zur Objekterkennung und Pose Estimation
• Leichtgewichtiges Anpassen bestehender Perception-Modelle an eigene Daten
• Grundlagen multimodaler Sensorfusion
• Umgang mit Unsicherheiten in Wahrnehmungssystemen 

Integration von AI-Modellen in Robotersysteme (ROS2)

Das Modul behandelt die praktische Integration bestehender AI-Modelle und APIs in reale Robotersysteme unter Verwendung von.

• ROS2-Architektur (Überblick)
• Anbindung bestehender AI-Modelle/APIs an ROS2-Systeme
• Sensorik-, Wahrnehmungs- und Entscheidungsarchitekturen mit Drittmodellen
• Edge AI und Echtzeit-Anforderungen beim Einsatz vortrainierter Modelle
• Deployment- und Betriebsüberlegungen (Wartung, Updates, Monitoring) 

Sicherheit, Explainability, Regulatorien und Ethik 

Dieses Modul behandelt sicherheitsrelevante, regulatorische und ethische Aspekte beim Einsatz von AI in Robotersystemen, mit besonderem Fokus auf Pflichten und Risiken beim Einsatz von Drittanbieter-Modellen im Unternehmen.

• Sicherheitskonzepte für AI-gestützte Robotersysteme
• Explainable AI: Grundlagen und Bedeutung im Betriebskontext
• Regulatorische Grundlagen (u. a. EU AI Act) und Haftungsfragen beim Einsatz von Drittmodellen
• Ethik humanoider und kollaborativer Robotik

Abschlussprojekt

Im Abschlussprojekt wenden die Teilnehmenden die im CAS erworbenen Kompetenzen praxisorientiert an. Dazu wählen sie bestehende AI-Modelle aus, passen sie an und integrieren sie in einen konkreten Use Case aus ihrem eigenen Unternehmen.

• Konzeption eines «AI-Driven Robotics»-Projekts mit Bezug zum eigenen Unternehmen
• Auswahl und Integration bestehender AI-Modelle
• Evaluation von Performance, Robustheit und Sicherheit
• Dokumentation und Präsentation der Ergebnisse

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. 

Problem- und projektbasiertes Lernen mit Robotik-Anwendungen

Sie bearbeiten realitätsnahe Anwendungsfälle aus Industrie und Automatisierung mit bestehenden, marktverfügbaren KI-Modellen und -Tools (z. B. GitHub Copilot, APIs führender Modellanbieter, vortrainierte Perception-Modelle, ROS2). Der Fokus liegt auf Auswahl, Anpassung, Integration und Evaluation dieser Modelle für konkrete Anwendungsfälle.

Projektarbeit

Im Rahmen eines eigenständigen Abschlussprojekts im Bereich «AI-Driven Robotics» setzen Sie Ihre neu erworbenen Fähigkeiten anhand eines konkreten Use Cases aus Ihrem eigenen Unternehmen um.

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 abgeschlossenen Hochschulstudium (Bachelor of Science an einer Universität oder Fachhochschule) in Technik, Informatik oder verwandten Bereichen;
• mit qualifizierter Berufserfahrung;
• mit einer Tätigkeit in einem Arbeitsfeld, in dem sie das Gelernte umsetzen können (Prinzip Transferorientierung);

Von Vorteil sind

• gute Programmierkenntnisse (z.B. Python, C/C++)
• gute Vorkenntnisse 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 einordnen, sowie deren Grenzen erklären;
• moderne KI-Modelle (LLMs, Vision-Modelle) fundiert einordnen und für einen Anwendungsfall auswählen;
• bestehende KI-Modelle mittels Prompt Engineering, RAG und leichtgewichtigem Fine-Tuning gezielt nutzen und anpassen;
• KI-Werkzeuge produktiv im eigenen Arbeitsalltag einsetzen;
• vortrainierte Wahrnehmungsmodelle (Computer Vision, Sensorfusion) für Robotikanwendungen einsetzen und anpassen;
• bestehende KI-Modelle und APIs in reale Robotersysteme mit ROS2 integrieren.