Het doel van dit werk is het vereenvoudigen van het programmeren van robots bij industriële toepassingen. Als voorbeeld wordt het ontbramen van gietijzeren gietstukken met een robotarm genomen. Door het invoeren van vaardigheden wordt de programmeercyclus voor deze toepassing vereenvoudigd en verkort.  Dit werk exploreert twee types vaardigheden, enerzijds een modelgebaseerde vaardigheid en anderzijds een aangeleerde vaardigheid.
Om de grootte van een robotopstelling te beperken, om het aantal inklemposities van het werkstuk te verkleinen, of om grotere werkstukken te kunnen behandelen, kunnen bijkomende aangestuurde gewrichten toegevoegd worden. Een eerste type modelgebaseerde vaardigheid zorgt dat een robot arm deze bijkomende gewrichten optimaal kan benutten voor het uitvoeren van de ontbraamtaak. Een mathematisch raamwerk is uitgewerkt zodanig dat de toepassingsontwikkelaar zonder bijkomende moeite gebruik kan maken van deze vaardigheid.
Het gebruik van zuiver positiegestuurde robots is beperkt door variaties in de positie van het werkstuk, in de plaats en het type van de bramen, in de materiaaleigenschappen en de geometrie van het werkstuk. Het gebruik van sensorterugkoppeling is een antwoord op dergelijke problemen. Maar dit maakt het tijdrovend opstellen noodzakelijk van controlestrategieën die afhangen van moeilijk te modelleren en vaak variërende parameters. Dit onderzoek ontwikkelt een tweede type vaardigheid, een aangeleerde vaardigheid, om deze controlestrategieën aan te leren uit voorbeelden. Het leersysteem observeert een demonstratie van een ontbraamtaak door een menselijke operator en extraheert daaruit een strategie voor de krachtinteractie in deze taak. Tijdens de uitvoering van de taak gebruikt de robot dan deze strategie.
This work aims at simplifying the programming of robots in industrial applications. The deburring of cast-iron castings by means of a grinding cup is chosen as an example application. By introducing skills, the programming cycle for this application is simplified and shortened.   This research explores two types of skills, a model-based skill and a skill acquired from a human demonstration.
Additional joints can be added to limit the size of a robot set-up, to decrease the number of clamping positions, and to be able to deal with larger work pieces.  A first type of skill, a model based skill, takes care that the robot uses these additional joints in an optimal way for the deburring task at hand.  A mathematical framework is developed such that the application developer can use this skill without additional effort.  The use of pure position controlled robots in deburring applications is limited due to the variations in the work piece position, in the location and the types of the burrs, in the material properties of work piece and tool, and in the geometry of the work piece.  Sensor feedback solves these types of problems.  But this necessitates the time-consuming development of control strategies that depend on a series of parameters that are difficult to model. A second type of skill learns these control strategies from human demonstrations. The skill acquisition system observes a demonstration of a deburring task and extracts a strategy for the force interactions in this task.  During the execution of the task, this strategy is then used by the robot.