Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Modellbasiertes Opportunistisches Roboterplanen für Mensch-Roboter-Kollaboration

Fachliche Zuordnung Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
Förderung Förderung von 2012 bis 2017
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 222640427
 
Erstellungsjahr 2017

Zusammenfassung der Projektergebnisse

Das Thema des Projektes war die Modellierung von opportunistischem Roboterverhalten (d.h., die Möglichkeit günstige Gelegenheiten in einer dynamischen Umgebung auszunutzen) mit dem Ziel, das Verhalten für Menschen verständlicher zu machen. Als Anwendungsfall war das gemeinsame Tischdecken eines Menschen und eines Roboters in einer simulierten Küche vorgesehen. Zunächst wurde untersucht, ob opportunistisches Verhalten des Roboters von Menschen erkannt und im Vergleich zu einer festen Aktionsabfolge bevorzugt wird. Beides konnten wir nicht feststellen. Die Grunde sehen wir einerseits in der komplexen, abstrakten Aufgabe, die momentan weder in Simulation noch auf echten Robotern zufriedenstellend implementiert werden kann, und andererseits sind feste Aktionsfolgen in bestimmten Zusammenhängen nicht so schlecht, wie man das annehmen würde. Zwar wirken solche festen Sequenzen nicht gerade intelligent, aber zumindest ist das Verhalten für Menschen vorhersehbar. Deshalb haben wir die Projektziele leicht angepasst: einerseits auf weitere Aufgaben ausgedehnt, die einfachere Roboteraufgaben (Navigation) beinhalten, wie auch abstraktere Aufgaben (Traveling Salesperson Problem), die jedoch mit der ursprünglichen Aufgabe des Tischdeckens verwandt sind. Mit dieser erweiterten Menge von Beispielaufgaben haben wir verschiedene Aspekte der Aktionsauswahl betrachtet. Dabei haben wir die bekannte Methode des klassischen KI-Planens untersucht und einerseits ein Entwicklungswerkzeug für die Erstellung von realistischen Domanen erstellt, und andererseits mit einem Modell des Kurzzeitgedächtnisses erweitert, um einerseits die Effizienz der Planerstellung zu erhöhen und andererseits besser verständliche Pläne zu erzeugen. Wir haben außerdem Methoden des qualitativen Repräsentieren und Schließens mit maschinellem Lernen verbunden, um Teilprobleme (insbesondere die Manipulation) der ursprünglichen Aufgabe des Tisch deckens entwickeln zu konnen und in einen expliziten Schlussfolgerungsprozess einzubetten, der insbesondere für die Erklärungsfähigkeit der Maschine wichtig ist. Anstatt einer expliziten Definition von günstigen Gelegenheiten, wie es ursprünglich vorgesehen war, haben wir uns mehr darauf konzentriert menschliche Problemlöseprozesse nachzubilden und daraus eine gute Mischung von festen (und damit vorhersehbaren) Aktionsfolgen und trotzdem sinnvollen dynamischen Anpassungen zu finden. Die resultierende Architektur, der Heuristic Problem Solver, wurde an zwei sehr unterschiedlichen Aufgaben entwickelt und getestet: der Roboternavigation und dem abstrakten Traveling Salesperson Problem. Dadurch konnen wir eine große Allgemeinheit gewährleisten. In aktuellen Folgeprojekten wird der Heuristic Problem Solver auch auf Perzeptionsaufgaben angewandt und weiterentwickelt.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2024 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung