Virksomhedens kerneteknologier

Autonome systemer og kontrol

Vores forskning er grundlaget for pålidelig operationel autonomi. Teknologierne gør det muligt for autonome systemer at omdanne menneskelig hensigt til handling, hvilket hjælper fabrikker, bygninger, energinet og maskiner med at fungere mere effektivt, modstandsdygtigt og bæredygtigt, samtidig med at sikkerhed og pålidelighed opretholdes.

Udforsk publikationer

Hvad hvis robotteknologi og agentisk AI pålideligt kunne drive kritisk infrastruktur?

Drift af kritisk infrastruktur bliver mere og mere kompleks. For at imødegå disse udfordringer skal autonome systemer forstå mål, tilpasse sig skiftende forhold, træffe informerede beslutninger og handle sikkert i den virkelige verden - holde fabrikker produktive, bygninger effektive og energisystemer pålidelige.

Det, der betyder noget, er pålidelig autonomi, der forvandler hensigt til handling. Kontrolsystemer, der opfatter, beslutter og handler inden for virkelige begrænsninger.

Et delt billede med en digitalt tilsluttet automatiseret fabrik, ledsaget af en ingeniør, der betjener robotarmmaskiner.

Operatør styrer data på en skærm, med en elektrisk transformatorstation synlig udenfor.

Autonomous Systems & Control-forskning fremmer grundlaget for pålidelig operationel autonomi. Det omfatter situationsbevidsthed og operationel intelligens, autonom beslutningstagning og kontrolteori, hensigtsbaserede operationer, autonom orkestrering og fysisk AI og robotik.

Kombineret med menneskecentreret autonomi og streng validering og sikkerhed gør disse funktioner det muligt for autonome systemer at forstå mål, løbende tilpasse sig skiftende forhold og fungere sikkert og pålideligt i den virkelige verden.

Disse Virksomhedens kerneteknologier muliggøre autonome fabrikker, bygninger og net, der løbende tilpasser sig skiftende forhold. Anvendelser spænder fra intelligente maskiner og robotteknologi til produktionsoptimering, autonom netdrift og multimodale energistyringssystemer.

Resultatet er mere produktive fabrikker, mere effektive bygninger, mere robust energiinfrastruktur og mere bæredygtig industridrift

Publikationer

Udforsk vores fremhævede papirer

Udnyttelse af fleksibiliteten i el-til-varme-drift i bygninger og fjernvarme til støtte for elsystemer: En gennemgang

Udgivet i: Fremskridt inden for anvendt energi, bind 22, 2026, side 100272
Benjamin Freischlad, Chia-Ling Yang, Agnes Engelter, Christian Vossel, Florian Reissner, Florian Steinke, Stefan Niessen

Denne gennemgang undersøger, hvordan kraft-til-varme (P2H) -systemer som varmepumper udnytter termisk lagring og bygningstermisk inerti for at give elnettet fleksibilitet i fjernvarme og distribueret varme. Ved hjælp af en systematisk litteraturudvælgelsesproces undersøger den simuleringsværktøjer, kontrolstrategier og markedsrammer sammen med virkelige casestudier. Mens småskala og simuleret P2H-potentiale er velprøvet, fortsætter der kritiske huller med hensyn til skalerbare kontrolstrategier, storskala feltvalidering og tværsektoriel planlægning.
Se på udgiverens side

RL-finjustering af generalistiske robotpolitikker under inferensforsinkelse

Indsendt til: 2026 Konference om robotlæring (CoRL)
Brian Zhu5¹, Momen Khalil5¹, E.H. Harrison5², Emanuele Poggi5¹, Philipp Sebastian Schmitt¹, Bernd Kast¹, Philine Meister¹, Pranav Atreya², Qiyang Li², Finn Ferchau¹, Cesar Colmenero¹, Yash Shahapurkar¹, Gokul Naray¹, Melananih Erdo¹ ¹, Oier Mees³², Kai M. Wurm¹, Georg von Wichert¹, Eugen Solowjow¹, Andrew Wagenmaker², Sergey Levine²
(¹ Siemens, ² UC Berkeley, ³ Microsoft, ⁴ ETH Zürich, ⁄Lige bidrag)

Store moderne robotpolitikker, såsom vision-language-action (VLA) modeller, lider af høj inferensforsinkelse. Denne forsinkelse ændrer miljødynamikken og bryder Markov-antagelsen, hvilket får standardforstærkningslæringsalgoritmer (RL) til at mislykkes. For at løse dette introducerer forfatterne asynkron RL med mellemliggende information (ARLI), en latensbevidst ramme, der muliggør effektiv RL-finjustering på trods af udførelsesforsinkelser. ARLI genopretter nærmarkovisk struktur ved hjælp af tilstandsforstørrelser, der inkorporerer engagerede handlinger og observationer i midten af inferensen. På tværs af simulerede opgaver og opgaver i den virkelige verden muliggør ARLI vellykket RL under latenstid, hvor standardmetoder mislykkes, endda matcher eller overskrider den ideelle ydeevne med nul latens.
Se på udgiverens side

Co-optimering af inverterstyringer og linjebeskyttelsesfunktioner for forbedret beskyttelsespålidelighed og systemstabilitet

Udgivet i: 2025 IEEE Power & Energy Society Generalforsamling (PESGM)
S. Bhela, S. Gumussoy, U. Muenz (Siemens Foundational Technology, Princeton, NJ, USA), D.J. Kelly, M.J. Reno (Sandia National Laboratories, Albuquerque, NM, USA)

Moderne elsystembeskyttelse er afhængig af synkron generatordynamik, som i stigende grad erstattes af gitterbaserede og gitterdannende (GFM) inverterbaserede ressourcer (IBR'er). Fordi IBR'er viser drastisk forskellig fejldynamik, kan eksisterende beskyttelsesordninger blive utilstrækkelige. Dette papir præsenterer en ramme, der bruger Bayesiansk optimering og EMT-simulering til co-optimering af GFM-fejlgennemgangsfunktioner og linjebeskyttelse, hvilket demonstrerer forbedret beskyttelsespålidelighed og stabilitet på et 100% IBR-testnetværk.
Se på udgiverens side

Udjævnede afstandsfunktioner for direkte optimal styring af kontaktrige systemer

Udgivet i: 2025 23. europæiske kontrolkonference (ECC)
Christian Dietz, Sebastian Albrecht, Armin Nurkanović, Moritz Diehl

Standardafstandsfunktioner som den euklidiske SDF er ikke-differentierbare for ikke-glatte stive kroppe som polytoper. Dette papir foreslår en udjævningsmetode til en polytopvækstafstandsfunktion modelleret som et parametrisk lineært program. Ved at forstyrre optimalitetsbetingelser beviser forfatterne, at den resulterende glatte SDF er veldefineret. I modsætning til tidligere tilgange, der integrerer nøjagtige SDF-optimalitetsbetingelser direkte i et optimalt kontrolproblem (OCP), tillader udjævning ekstern evaluering. Dette reducerer OCP-størrelse og fordeler beregningsindsatsen mere jævnt på tværs af funktionsevalueringer og løsere. Evalueret via en CasaDI-implementering på en plan peg-in-hul-opgave viser metoden forbedret optimeringsydelse.
Se på udgiverens side

Flerlags funktionsudvekslingstransformator til multi-view 6D-objektpositionsestimering i robotbeholderplukning

Udgivet i: 2025 IEEE International Conference on Robotics and Automation (ICRA)
Moment Khalil; Vincent Dietrich; Slobodan Ilic

Nøjagtig 6D-objektpositionsestimering er afgørende for robotplukning af skraldespand, der involverer teksturløse, reflekterende eller okkluderede genstande. Mens multi-view-metoder overgår single-view-tilgange, er nuværende teknikker afhængige af fusion i sent trin, der mangler fuld multi-view-synergi. Dette papir introducerer en Feature Exchange Transformer (FET), der muliggør funktionsfusion i tidligt stadium ved hjælp af selvopmærksomhed og epipolær krydsopmærksomhed. En grov til fin strategi optimerer yderligere flerlagssammenlægning af funktioner på tværs af visninger. Metoden er bygget oven på EpisurfeMB og forbedrer nøjagtigheden og robustheden markant i komplekse bin-picking-scenarier og overgår de nuværende avancerede multi-view-metoder på ROBI-datasættet.
Se på udgiverens side