Algorithmen aus dem Bereich des bestärkenden Lernens (engl. Reinforcement Learning) verfügen über bisher nicht ausgeschöpftes Potenzial zur Verringerung von Roboterprogrammierkosten, der Optimierung von Roboterbewegungen und der Erschließung neuer Automatisierungsanwendungen. Die derzeit bekannten Lernalgorithmen benötigen jedoch große Datenmengen, um komplexe Industrieaufgaben mit Hilfe von neuronalen Netzen zu erlernen. Die Erzeugung dieser Daten mit realen Robotern ist kosten- und zeitintensiv, weil in der Regel mehrere Roboter parallel arbeiten müssen, um hinreichend viele Trainingsbeispiele zu generieren.

Als Alternative zur Verwendung von realen Robotern bietet sich die Durchführung des Trainingsvorgangs in einer Simulationsumgebung an, da durch cloudbasierte Berechnungen große Datenmengen preiswert und skalierbar generiert werden können. Darüber hinaus bieten Physiksimulationen den Vorteil, dass eine Erkundung der Umgebung ohne Sicherheitsbedenken möglich ist. Bedingt durch Modellfehler und Parameterunsicherheiten lassen sich die simulativ erlernten Handlungsstrategien jedoch nicht ohne Weiteres auf reale Roboter übertragen. Dieser Effekt wird im englischen als „Reality Gap“ bezeichnet.
 

Im Rahmen dieses Projektes sollen die entscheidenden Modellfehler identifiziert werden und Rauschmodelle entwickelt werden, welche das Erlernen einer robusteren Handlungsstrategie in der Simulationsumgebung ermöglichen. Die Parameter sowie deren Unsicherheiten sollen durch Messungen an realen Robotern bestimmt werden.