Energieoptimierte Antriebssysteme im "Spotlight"

Im JR-Zentrum für Intelligente und Sichere Industrieautomatisierung an der Fachhochschule Salzburg entstand das Paper "Chebyshev Policies and the Mountain Car Problem: Reinforcement Learning for Low-dimensional Control Tasks" von Zentrumsleiter Stefan Huber und seinen Co-Autoren Hannes Unger, Georg Schäfer und Jakob Rehrl, welches bei der renommierten International Conference on Machine Learning (ICML) 2026 nicht nur als Beitrag angenommen, sondern auch als "Oral Spotlight Paper" ausgezeichnet wurde: Nur ca. 0,7% der rund 24.000 Einreichungen wurde dieser besondere Status verliehen.

Besagtes Paper liegt auch auch einer gemeinsamen Patentanmeldung der FH Salzburg und dem Unternehmenspartner B&R Industrial Automation GmbH (die Machine Automation Division der ABB Gruppe) zugrunde: Es geht dabei um einen neuartigen Ansatz zur energieoptimierten Bewegungssteuerung von Antriebssystemen von etwa Robotern, Werkzeugmaschinen oder automatisierten Produktionslinien. Anstatt auf klassische Regelungsverfahren, die exakte mathematische Modelle benötigen, wird hier nämlich auf Machine Learning, spezifisch auf "Reinforcement Learning" (RL) gesetzt.

Beim RL probiert ein KI-Agent selbstständig verschiedene Aktionen aus, um nach und nach sein Verhalten zu verbessern und letztendlich den größtmöglichen Nutzen zu erzielen. Im Prinzip des prämierten Papers optimiert besagter lernender Agent also Bewegungsabläufe direkt am realen System und passt seine Steuerung adaptiv an reale Energieverluste an, ohne dass dafür ein vollständiges Systemmodell notwendig wäre: Die Forschungsarbeit löst so ein seit 1990 offenes RL-Problem und leitet daraus eine neue Klasse von Steuerungsansätzen ab, die bestehende Methoden deutlich übertreffen.

Die CDG gratuliert allen Beteiligten herzlich!