Selskapets kjerneteknologier

Autonome systemer og kontroll

Vår forskning er grunnlaget for pålitelig operativ autonomi. Teknologiene gjør det mulig for autonome systemer å gjøre menneskelig hensikt til handling, og hjelper fabrikker, bygninger, energinett og maskiner til å fungere mer effektivt, motstandsdyktig og bærekraftig, samtidig som sikkerheten og påliteligheten opprettholdes.

Utforsk publikasjoner

Hva om robotikk og agentisk AI på en pålitelig måte kunne drive kritisk infrastruktur?

Drift av kritisk infrastruktur blir stadig mer komplisert. For å møte disse utfordringene må autonome systemer forstå mål, tilpasse seg endrede forhold, ta informerte beslutninger og handle trygt i den virkelige verden — holde fabrikker produktive, bygninger effektive og energisystemer pålitelige.

Det som betyr noe er pålitelig autonomi som gjør intensjon til handling. Kontrollsystemer som oppfatter, bestemmer og handler innenfor virkelige begrensninger.

Et delt bilde med en digitalt tilkoblet automatisert fabrikk, sammen med en ingeniør som betjener robotarmmaskiner.

Operatør som kontrollerer data på en skjerm, med en elektrisk transformatorstasjon synlig utenfor.

Autonomous Systems & Control-forskning fremmer grunnlaget for pålitelig operativ autonomi. Det omfatter situasjonsbevissthet og operativ intelligens, autonom beslutnings- og kontrollteori, intensjonsbaserte operasjoner, autonom orkestrering og fysisk AI og robotikk.

Kombinert med menneskesentrert autonomi og streng validering og sikkerhet, gjør disse egenskapene det mulig for autonome systemer å forstå mål, kontinuerlig tilpasse seg skiftende forhold og operere trygt og pålitelig i den virkelige verden.

Disse Selskapets kjerneteknologier muliggjøre autonome fabrikker, bygninger og rutenett som kontinuerlig tilpasser seg skiftende forhold. Bruksområder spenner fra intelligente maskiner og robotikk til produksjonsoptimalisering, autonom nettdrift og multimodale energistyringssystemer.

Resultatet er mer produktive fabrikker, mer effektive bygninger, mer robust energiinfrastruktur og mer bærekraftig industriell drift

Publikasjoner

Utforsk våre utvalgte artikler

Utnytte fleksibiliteten i kraft-til-varme-drift i bygg- og fjernvarme for å støtte elektrisitetssystemer: En gjennomgang

Publisert i: Fremskritt innen anvendt energi, bind 22, 2026, side 100272
Benjamin Freischlad, Chia-Ling Yang, Agnes Engelter, Christian Vossel, Florian Reissner, Florian Steinke, Stefan Niessen

Denne gjennomgangen undersøker hvordan kraft-til-varme (P2H) -systemer som varmepumper utnytter termisk lagring og bygningstermisk treghet for å gi strømnettet fleksibilitet i fjernvarme og distribuert oppvarming. Ved hjelp av en systematisk litteraturvalgsprosess undersøker den simuleringsverktøy, kontrollstrategier og markedsrammer sammen med virkelige casestudier. Selv om småskala og simulert P2H-potensial er velprøvd, vedvarer kritiske hull når det gjelder skalerbare kontrollstrategier, storskala feltvalidering og tverrsektoriell planlegging.
Se på utgiverens side

RL-finjustering av generalistiske robotpolicyer under inferensforsinkelse

Sendt til: 2026 Konferanse 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, ⁄Lik bidrag)

Store moderne robotretningslinjer, for eksempel visjon-språk-handling (VLA) -modeller, lider av høy slutningsforsinkelse. Denne forsinkelsen endrer miljødynamikken og bryter Markov-antagelsen, noe som får standard forsterkningslæringsalgoritmer (RL) til å mislykkes. For å løse dette introduserer forfatterne asynkron RL med mellominformasjon (ARLI), et latensbevisst rammeverk som muliggjør effektiv RL-finjustering til tross for utførelsesforsinkelser. ARLI gjenoppretter nær-Markovisk struktur ved hjelp av tilstandsforstørrelser som inkluderer engasjerte handlinger og observasjoner i midten av inferensen. På tvers av simulerte og virkelige oppgaver muliggjør ARLI vellykket RL under ventetid der standardmetoder mislykkes, til og med samsvarer eller overskrider ideell ytelse med null latens.
Se på utgiverens side

Samoptimalisering av omformerkontroller og linjebeskyttelsesfunksjoner for forbedret beskyttelsespålitelighet og systemstabilitet

Publisert 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 kraftsystembeskyttelse er avhengig av synkron generatordynamikk, som i økende grad erstattes av grid-følgende og grid-forming (GFM) inverterbaserte ressurser (IBR). Fordi IBR-er viser drastisk forskjellig feildynamikk, kan eksisterende beskyttelsesordninger bli utilstrekkelige. Denne artikkelen presenterer et rammeverk som bruker Bayesiansk optimalisering og EMT-simulering for å samoptimalisere GFM-feilgjennomkjøringsfunksjoner og linjebeskyttelse, og demonstrerer forbedret beskyttelsespålitelighet og stabilitet på et 100% IBR-testnettverk.
Se på utgiverens side

Utjevnede avstandsfunksjoner for direkte optimal kontroll av kontaktrike systemer

Publisert i: 2025 23. europeiske kontrollkonferanse (ECC)
Christian Dietz, Sebastian Albrecht, Armin Nurkanović, Moritz Diehl

Standard avstandsfunksjoner som den euklidiske SDF er ikke differensierbare for ikke-glatte stive legemer som polytoper. Denne artikkelen foreslår en utjevningsmetode for en polytop vekstavstandsfunksjon modellert som et parametrisk lineært program. Ved å forstyrre optimalitetsforholdene beviser forfatterne at den resulterende glatte SDF er veldefinert. I motsetning til tidligere tilnærminger som legger inn eksakte SDF-optimalitetsforhold direkte i et optimalt kontrollproblem (OCP), tillater utjevning ekstern evaluering. Dette reduserer OCP-størrelsen og fordeler beregningsinnsatsen jevnere på tvers av funksjonsevalueringer og løsere. Evaluert via en CasaDI-implementering på en plan pinn-i-hulloppgave, viser metoden forbedret optimaliseringsytelse.
Se på utgiverens side

Flerlags funksjonsutvekslingstransformator for multi-view 6D-objektposisjonsestimering i robotbeholderplukking

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

Nøyaktig 6D-objektposisjonsestimering er avgjørende for robotsøppelplukking som involverer teksturløse, reflekterende eller okkluderte gjenstander. Mens flervisningsmetoder overgår enkeltvisningsmetoder, er nåværende teknikker avhengige av fusjon i sent trinn, og mangler full flervisningssynergi. Denne artikkelen introduserer en Feature Exchange Transformer (FET) som muliggjør funksjonsfusjon i tidlig fase ved hjelp av selvoppmerksomhet og epipolar kryssoppmerksomhet. En grov-til-fin-strategi optimaliserer ytterligere flerlags funksjonsaggregering på tvers av visninger. Metoden er bygget på toppen av EpisurfeMB, og forbedrer nøyaktigheten og robustheten betydelig i komplekse bin-picking-scenarier, og overgår dagens toppmoderne flervisningsmetoder på ROBI-datasettet.
Se på utgiverens side