Das Lernen von aufgaben-relevanten Parametern für Bewegungseinheiten von Menschen und Robotern zum Erwerb von komplexen Manipulationsfähigkeiten für einen humanoiden Roboter

• Antragsteller: Dr. Freek Stulp
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2009 bis 2012
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 128859953

Auch wenn Roboter heute schneller, stärker und präziser sein können als Menschen, sind sie noch immer weit davon entfernt, bei Objektmanipulationen menschenähnliche Leistungen zu erreichen. Der Hauptgrund dafür liegt im menschlichen Gehirn, das ein Bewegungssteuerungssystem darstellt, das Robotersteuerungen in Flexibilität, Lernfähigkeit und Zuverlässigkeit weit überlegen ist. Langfristig werden auch Roboter solche Eigenschaften aufweisen müssen, wenn sie zum Beispiel zur Versorgung älterer Menschen oder als zuverlässiger Prothesen eingesetzt werden sollen. Als eine wichtige Strategie, um höhere Lernfähigkeit und Flexibilität mit einem großen Bewegungsrepertoire zu erreichen, hat sich das Prinzip der Zerlegung einer Bewegung in seine Bewegungseinheiten, die sog. "motion primitives", etabliert. Solche einfacheren, zielgerichteten und aufgabenspezifischen Bewegungseinheiten können als Sequenzen aneinander gereiht oder übereinander gelagert werden, um komplexere Bewegungen darzustellen und auszuführen. Leider sind Parameterräume, die solche Bewegungen der Roboter beschreiben, oft sehr hochdimensional und abstrakt. Das führt zu einer sehr komplexen Beziehung des Parameterraum zum tatsächlichen Aufgabenziel. Daher besteht das erste Ziel des Projekts darin, mit Hilfe von Techniken zur Dimensionsreduktion, aufgabenspezifische Parameter für solche Bewegungen zu lernen. Ein Beispiel für solche Parameter sind etwa die Höhe auf der ein Glas gegriffen werden soll, oder eine geeignete Position, um nach einem Wasserhahn zu greifen. Unser Fokus wird vornehmlich auf aufgabenspezifischer Objektmanipulation für humanoide Roboter liegen. Aufgrund der Ähnlichkeiten zwischen aktuell verfügbaren, humanoiden Robotern und Menschen, planen wir aufgabenspezifische Parametern aus menschlichen Daten abzuleiten, und diese dann für die Steuerung von Robotern zu verwenden. Zudem erleichtert es ein abstrakter und aufgabenspezifischer Parameterraum, Bewegungen zu planen. Das zweite Hauptziel des Projekts ist dem Roboter zu ermöglichen, ganze Sequenzen kürzerer Bewegungsteile mittels Methoden wie Reinforcement Learning oder Policy Gradients zu optimieren. Solche optimierten Sequenzen würden einen Roboter mit einem verfeinerten und ganzheitlicheren Repertoire an motorischen Fähigkeiten ausstatten.

• DFG-Verfahren: Forschungsstipendien
• Internationaler Bezug: USA
• Gastgeber: Professor Dr.-Ing. Stefan Schaal