Autonomes Lernen für Bayes'sche kognitive Robotik

• Antragsteller: Professor Dr. Michael Beetz, Ph.D.
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200306665

Bayessche kognitive Robotik ist ein neues Paradigma für die wissensbasierte Steuerung autonomer Roboter. Diesem Paradigma liegt die Idee zugrunde, dass eine der vielversprechendsten Möglichkeiten, Roboter mit umfassenden Schlussfolgerungsfähigkeiten auszustatten, im lebenslangen autonomen Lernen von Verbundwahrscheinlichkeitsverteilungen über Robotersteuerungsprogrammem, dem Verhalten, das diese erzeugen, und den situationsabhängigen Effekten, die diese bewirken, besteht. Hat ein Roboter solche Verteilung aus Erfahrung gelernt, so kann er sie gezielt zum Zwecke der Vorhersage, der Diagnose oder für andere wertvolle Inferenzaufgaben einsetzen, die seine Problemlösungsfähigkeiten verbessern. In diesem Antrag kommen führende Forschungsgruppen aus den Bereichen der kognitionsbasierten Robotersteuerung, des performanten probabilistischen Lernens und Schlussfolgerns sowie der Planung durch probabilistische Inferenz zusammen, um den Forschungsbereich der Bayesschen kognitiven Robotik voranzutreiben, indem (1) wir eine Plansprache so erweitern, dass sie die autonome Sammlung von semantisch interpretierbaren Daten während der Ausführung von Roboter- Steuerungsprogrammen unterstützt; (2) wir aus den gesammelten Daten autonom die Parameter und die Struktur von probabilistischen Modellen bestimmen sowie probabilistische Regeln für Planung ableiten; und (3) wir neue lifted Inferenztechniken entwickeln, die auch die Anwendung von komplexen Modellen in Echtzeit ermöglichen können. Die resultierenden Softwarekomponenten werden in einem Steuerungssystem für autonome Roboter umgesetzt und im Rahmen von Robotermanipulationsaufgaben, wie der Zubereitung einer einfachen Mahlzeit oder dem Aufräumen, in der realen Welt empirisch evaluiert.

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