Metrikbasiertes Imitationslernen zu Analyse menschlicher Bewegungen und Synthese von Roboter-Bewegungen

• Antragsteller: Professor Jan Reinhard Peters, Ph.D.
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 449154371

Lernen durch Imitation ist ein vielseitiger und schneller Mechanismus, um motorische Fähigkeiten von einem intelligenten Agenten (Mensch, Tier oder Roboter) auf einen Anderen zu übertragen. Es kann sowohl in der Natur beobachtet werden als auch in Form von "Programmierung durch Demonstration" in künstlichen Systemen angewandt werden. Säuglinge beispielsweise reagieren auf die Wahrnehmung von Gesichtsgesten mit einem ähnlichen Verhalten. In der Robotik gelten rechnergestützte Ansätze zum motorischen Lernen durch Nachahmung seit langem als ein vielversprechender Weg zur intelligenteren Robotik. Die Entwicklung von autonomen Robotersystemen, die aus menschlichen Demonstrationen lernen können, ein gewünschtes Verhalten zu imitieren - anstatt manuell programmiert zu werden - hat ein enormes technologisches Potenzial mit Anwendungen in der Fertigung, der Altenpflege und der Dienstleistungsindustrie und steht derzeit im Mittelpunkt der Robotikforschung. Im Gegensatz zu Trial-and-Error-basierten Lernmethoden wie dem Reinforcement Learning ermöglicht die Imitation ein schnelles Lernen. Ansätze für das Imitationslernen haben große Erfolge erzielt, die von Hubschrauberakrobatik, Hochgeschwindigkeits-Armfähigkeiten, haptischer Kontrolle, Gesten, Manipulation bis hin zur Fortbewegung mit den Beinen reichen. Die Algorithmen des maschinellen Lernens, die Imitationslernen ermöglichen, sind gut untersucht.Erstaunlicherweise sind trotz all dieser beeindruckenden Erfolge beim Erwerb neuer motorischer Fähigkeiten in Robotersystemen durch Imitationslernen grundlegende wissenschaftliche Forschungsfragen im Bereich des Imitationslernens von zentraler Bedeutung seit Jahrzehnten offen geblieben. Zu diesen Kernfragen gehört die des Korrespondenzproblems: Wie kann ein Agent (der Lernende oder Imitator) ein - in gewisser Hinsicht - ähnliches Verhalten erzeugen, das er bei einem anderen Agenten (dem Experten oder Demonstrator) wahrnimmt, wenn die beiden Agenten unterschiedliche kinematische und dynamische Eigenschaften haben (Körpermorphologie, Freiheitsgrade, Zwänge, Gelenke und Aktoren, Drehmomentbegrenzungen), oder anders ausgedrückt, unterschiedliche Zustandsräume abdecken?Das Ziel dieses Projekts ist es daher, ein metrisches Verständnis der Verkörperung zu verwenden, um die motorischen Fähigkeiten der Roboter durch Expertenbeobachtungen zu verbessern. Wir wollen wichtige grundlegende Forschungsfragen zur (i) Rolle der Verkörperung des Lernenden beim statistischen Imitationslernen, (ii) wie das Korrespondenzproblem richtig formalisiert werden kann, (iii) wie das Dilemma der Übertragbarkeit des Verhaltens im Vergleich zur Aufgabenkomplexität gelöst werden kann und (iv) wie auf der Grundlage dieser Erkenntnisse neue statistische Algorithmen für das tiefe Imitationslernen entwickelt werden können, beleuchten.

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Israel
• ausländischer Mitantragsteller: Dr. Armin Biess