Zum Inhalt springen
Regelung des inversen Pendels mit Reinforcement Learning
RXLea
Digitale Projekte für die PraxisInteraktive Lerninhalte, direkt verbunden mit dem Trainingssystem.

Regelung des inversen Pendels mit Reinforcement Learning

IAC53PT

Trainingssystem zur Entwicklung und Erprobung von Reinforcement-Learning-Algorithmen an einem realen inversen Pendel. Ein KI-Steuergerät trainiert den Agenten direkt am System und tauscht die Gewichte über den CAN-Bus aus.

Lernziele
  • Systemdynamik und Verdrahtung untersuchen
  • Skripte und Modelle parametrieren
  • Belohnungsfunktion definieren
  • Actor-Critic-Architektur implementieren
Features
  • Echtzeit-KI-Training am realen System
  • Hybride Steuerungsarchitektur
  • Rapid Prototyping auf der DSP-Hardware
  • Variabler Pendelschwerpunkt
Sprechen Sie mit unserem Produktteam +49 800 8573 800 · info@lucas-nuelle.de

Das inverse Pendel ist das klassische Modell einer instabilen Regelstrecke: ein drehbar gelagerter Pendelstab auf einer Linearachse mit Riemenantrieb. Statt es über ein exaktes mathematisches Modell zu stabilisieren, lernt hier ein Agent die Regelstrategie selbst. Lernende parametrieren vorgegebene Python-Skripte und Simulink-Modelle, definieren die Belohnungsfunktion und implementieren die Actor-Critic-Architektur auf dem KI-Steuergerät mit NVIDIA Jetson Xavier NX. Das Training läuft direkt am realen System, die Gewichte gehen live über den CAN-Bus an die Echtzeitregelung. Über das Live-Scope verfolgen Lernende den Lernfortschritt und bewerten, wie sich Belohnungsfunktion und Parameter auf das Ergebnis auswirken.

Artikel-Nr.MengeBezeichnung

Lernziele im Detail

Lernende analysieren Systemdynamik und Verdrahtung, passen Python-Skripte und Simulink-Modelle an und bringen ein Reinforcement-Learning-Verfahren am realen Pendel zum Laufen.

Systemdynamik und Verdrahtung untersuchen

Lernende analysieren das dynamische Verhalten der Strecke und die zugehörige Hardware-Verdrahtung.

Skripte und Modelle parametrieren

Lernende passen vorgegebene Python-Skripte und Simulink-Modelle an die Aufgabe an.

Belohnungsfunktion definieren

Lernende formulieren zielgerichtete Belohnungsfunktionen für ein effizientes KI-Training.

Actor-Critic-Architektur implementieren

Lernende setzen die Architektur auf dem dedizierten KI-Steuergerät um.

Lernprozess überwachen und bewerten

Lernende verfolgen das Training in Echtzeit über den CAN-Bus und bewerten die Ergebnisse.

Features & Anwendung

Das System deckt die Aufgaben ab, die beim selbstlernenden Regeln anfallen: Systemanalyse, CAN-Bus-Kommunikationsanalyse, Entwicklung des DDPG-Algorithmus, Actor-Critic-Training und Erprobung der Safeguard-Funktionen.
  • Echtzeit-KI-Training am realen System — Lernende trainieren den KI-Agenten nicht in der Simulation, sondern am realen Pendel. Die Gewichtsparameter gehen live über den CAN-Bus an die Regelung.
  • Hybride Steuerungsarchitektur — MATLAB Simulink übernimmt die Echtzeitregelung, Python mit TensorFlow das KI-Training. Lernende sehen, wie beide Welten zusammenarbeiten.
  • Rapid Prototyping auf der DSP-Hardware — Lernende kompilieren Simulink-Modelle direkt in C-Code, testen die Regelalgorithmen als Hardware-in-the-Loop und optimieren die Parameter am laufenden System.
  • Variabler Pendelschwerpunkt — Der Schwerpunkt des Pendels lässt sich verschieben. Lernende verändern damit die Streckeneigenschaften und prüfen, wie robust die trainierte Regelung bleibt.
  • LN-Toolbox mit JTAG-Programmieradapter — Modelle und Algorithmen entstehen in Matlab Simulink und wandern per Knopfdruck in die Hardware.
  • Riemenantrieb mit Kugelumlaufführung — Die Führung erlaubt präzise und reibungsarme lineare Bewegungen auf bis zu 400 mm Verfahrweg.
  • Hybrid-Schrittmotor mit bis zu 100 W — Strom- und Drehzahlregelung sind integriert, sodass hochdynamische Fahrprofile möglich sind.
  • CAN-Winkelsensor — Der hochauflösende Inkrementalgeber liefert 16000 Impulse pro Umdrehung über eine CAN-Schnittstelle.
  • KI-Steuergerät für das Training on the Edge — Das Steuergerät mit NVIDIA Jetson Xavier NX führt die rechenintensiven Trainingsprozesse dank Volta-GPU mit CUDA- und Tensor-Kernen direkt auf dem Gerät aus. Zum Einsatz kommen Python, TensorFlow und OpenCV.
  • Python RL-Framework mit KerasRL und TensorFlow — Das Skriptpaket steuert das Training auf dem KI-Steuergerät, verwaltet den Replay Buffer und synchronisiert die Gewichte über den CAN-Bus.
  • LN-Toolbox für Matlab Simulink — Die Bibliothek liefert fertige Hardware-Blöcke und verkürzt den Modellaufbau in Simulink.
  • Integriertes Live-Scope — Lernende visualisieren Systemgrößen in Echtzeit und greifen im laufenden Betrieb verändernd ein.
Lernender arbeitet am Tablet mit RXLea neben dem Trainingssystem
RXLea

Aus Wissen wird Können.

You guide the learning

Wenn Theorie und Praxis Hand in Hand gehen.

RXLea bringt eine neue Art des Lernens: projektorientiert, praxisnah und klar strukturiert. Lernende lösen reale Aufgaben, Lehrkräfte sparen Zeit bei der Vorbereitung. Interaktive Module, smarte Analysen und echte Hardware schaffen eine moderne, effiziente Lernwelt.

Praxisnah und interaktiv

Animationen, interaktive Aufgaben und realitätsnahe Szenarien fördern ein tiefes Verständnis. Alle Inhalte sind als klare Lernpfade strukturiert – für fokussiertes, praxisnahes Lernen.

Digitale Unterstützung

3D-Aufbauanimationen und digitale Anleitungen erleichtern komplexe Abläufe, reduzieren Fehler und stärken die Selbstständigkeit der Lernenden.

Visuelle Unterstützung

Übersichtsbilder, Screenshots und Animationsbeispiele machen die Lernwelt transparent. Ergänzend stehen Fotos aus den Lernpaketen zur Verfügung, bei Bedarf auch länderspezifisch.

ALA23UT Frontkamera & Spurassistent
ALD21UT LIDAR fürs autonome Fahren
ESB33PT KNX Schnittstellen
ACB22UT CAN-Bus
ESE14PT E-Mobility
Jetzt mehr zu RXLea erfahren