Aktives Transferlernen mit neuronalen Netzen durch Mensch-Roboter-Interaktion (TRAIN)

• Antragsteller: Professor Dr.-Ing. Philipp Beckerle; Professor Dr. Elmar Rückert
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Arbeitswissenschaft, Ergonomie, Mensch-Maschine-Systeme
• Förderung: Förderung seit 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 430054590

In unserer Vision interagieren autonome Roboter mit Menschen im Industriekontext, im Gesundheitssektor oder in Haushaltsanwendungen. Aus technischer Sicht erfordern alle diese Anwendungsfelder, dass Roboter während der Ausführung einer Vielzahl verschiedener Motorik- und Manipulationsfähigkeiten große Datenmengen aus verrauschten Sensorsignalen verarbeiten. Aus Sicht vieler potentieller Anwender ist die manuelle Programmierung von Fertigkeiten bzw. die Verwendung aktueller Lernansätze, die nur von Experten bedient werden können, nicht geeignet um intelligente autonome Systeme bei Alltagsaufgaben einzusetzen.In diesem Projekt zielen wir darauf ab, das Erlernen von Roboterfertigkeiten mit tiefen neuronalen Netzwerken zu verbessern, wobei menschliches Feedback und Nutzeranweisungen berücksichtigt werden. Menschliche Lehrende bewertet verschiedene Transferlernstrategien des künstlichen neuronalen Netzwerks, um das Erlernen neuartiger Fertigkeiten zu verbessern. Dies wird erreicht indem existierendes und bereits kodiertes Wissen optimal ausgenutzt wird. Neuronale Netze sind ideal für diese Aufgabe geeignet, da sie eine schrittweise Erweiterung der übertragenen Parameter erlauben. Darüber hinaus ermöglichen sie eine strukturierte Auswertung der Wiederverwendbarkeit aufgabenspezifischen Wissens bis hin zur Ausnützung abstrakter Merkmale die in tieferen Schichten kodiert sind. Neben der Verbesserung der Fähigkeiten des autonomen Roboterlernens beabsichtigen wir auch den Lehrprozess, die damit verbundene Nutzererfahrung und die Mensch-Roboter-Interaktion zu verbessern. Um dies systematisch zu berücksichtigen, evaluieren wir subjektive Rückmeldungen und physiologische Daten aus Nutzerstudien und erarbeiten Bewertungskriterien, die die Entwicklung menschorientierter Methoden des Transferlernens ermöglichen. In zwei Hauptexperimenten betrachten wir zuerst die Nutzererfahrung des Transferlernens und dann den Einfluss geteilter Autonomie von Mensch und Roboter. Hierdurch entsteht eine methodische Vorgehensweise für das Robotertraining, die sich an die Bedürfnisse der Nutzer anpasst, z. B. durch Anpassung des Grades der Autonomie des Roboters an die Anforderungen von Laien. Auch wenn das Lern-Framework vor allem an Pick-and-Place Aufgaben mit anthropomorphen Roboterarmen evaluiert wird, sind die Ergebnisse auf ein breites Spektrum von Mensch-Roboter-Interaktionsszenarien wie beispielsweise kollaborativer Manipulationsaufgaben in Produktion und Montage, aber auch für die Entwicklung mensch-orientierter Regelungen für Rehabilitations- und Haushaltsroboter übertragbar.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Frankreich, Österreich
• Kooperationspartner: Professor Luke E. Miller, Ph.D.