Die Physical Exploration Challenge: Roboter, die lernen, Freiheitsgrade der Welt zu entdecken, zu bewegen und zu explorieren

• Antragsteller: Professor Dr. Oliver Brock; Professor Dr. Marc Toussaint
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2014 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 260200664

Einer der interessantesten Aspekte von Intelligenz ist der Drang zulernen. Das Ziel dieses Projekt ist es, diese Art des AutonomenLernens in Robotern zu realisieren. Konkret werden wir ein Systementwerfen, dass die Umwelt autonom exploriert -- durch drücken, ziehenund drehen an interessant erscheinenden Interaktionspunkten -- mit deminneren Ziel, möglichst effizient zu lernen, wie Freiheitsgrade derWelt am besten entdeckt, bewegt und exploriert werden können.Unser Ansatz basiert auf aktueller Forschung im Feld des maschinellenLernens zu Exploration und Aktivem Lernen, insbesondere dem Konzeptder Policy-Optimierung durch Maximierung von Informationsgewinn. DieseKonzepte in Echtweltszenarien zu realisieren wirft jedoch fundamentaleFragen auf, die bisher noch nicht erforscht wurden.Drei dieser offenen Fragen definieren die Hauptforschungsbereichedieses Projekts: (1) Wie können wir Wahrscheinlichkeitsverteilungen(\emph{beliefs}) über kinematische Strukturen so repräsentieren, dassdie relevanten Unsicherheiten, beispielsweise über die Existenz vonFreiheitsgraden, ihrer Eigenschaften oder ihrer Beziehung zueinander,effizient abgebildet werden? Welche Methoden können, basierend aufsolchen Repräsentationen, Explorationsstrategien ableiten, denenInformationsgewinn zugrunde liegt, unter der Randbedingung, dasssowohl Wahrnehmung als auch Aktionen unsicher und gelernt sind? (2)Welche Methoden der Wahrnehmung sind effizient darin, Freiheitsgradezu entdecken und Hypothesen über Interaktionspunkte und einerSegmentierung der Szene zu generieren? (3) Wie können wirBewegungsprimitive so parametrisieren und optimieren, dass sieExploration von Freiheitsgraden durch Interaktion effizienter machen?Dieses Projekt greift fundamentale Forschungsfragen an derSchnittstelle zwischen maschinellem Lernen und der Robotik auf. BeiErfolg wird es neue Art des Verhaltens zukünftiger Roboterermöglichen, die autonomer Weise nach Information suchen, um daraus zulernen. Dies wird die Art, wie sie die Welt repräsentieren und mit ihrinteragieren ändern und die Rolle von Robotern in industriellen undprivaten Anwendungen nachhaltig beeinflussen.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen