Bei der Bearbeitung ebener Bleche sollen die entstandenen Werkstücke mittels eines kartesischen Roboters vom Abfall automatisch getrennt werden.

Am Roboter ist ein Sauggreifer angebracht, den es abhängig der jeweiligen Werkstückgeometrie derart zu positionieren gilt, dass die Trennung von Werkstück und Restblech verkantungsfrei erfolgt.

Da die in diesem Prozess involvierten physikalischen Effekte nur näherungsweise modelliert werden können, soll die Positionierung des Sauggreifers stattdessen mithilfe von Reinforcement Learning datengetrieben erfolgen.

Zentrale Fragestellung ist dabei, wie die Anzahl an in der Realität zu erzeugenden Trainingsbeispielen trotz der Modellfehler durch die Verwendung von simulierten Daten minimiert werden kann.