Model-based Opportunistic Robot Planning for Human-Robot Collaboration (MORPH)
Final Report Abstract
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.
Publications
-
“Planning in the Wild: Modeling Tools for PDDL”. In: 37th German Conference on Artificial Intelligence. Stuttgart, Germany, 2014
Volker Strobel and Alexandra Kirsch
-
“Social acceptability of opportunistic behaviour of an assistant robot in human-robot everyday collaboration”. In: Workshop “Planen, Scheduling und Konfigurieren, Entwerfen”, held in conjunction with German Conference on Artificial Intelligence. Stuttgart, Germany, 2014
Nataliia Kushnirenko and Alexandra Kirsch
-
“Leveraging Qualitative Reasoning to Learning Manipulation Tasks”. In: Robotics 4.3 (2015), pp. 253–283
Diedrich Wolter and Alexandra Kirsch
-
“A Short-Term Memory for Deliberative Agents in Everyday Environments”. In: 2nd Global Conference on Artificial Intelligence (GCAI). Berlin, Germany, 2016
Ivo Chichkov and Alexandra Kirsch
-
“Heuristic Decision-Making for Human-aware Navigation in Domestic Environments”. In: 2nd Global Conference on Artificial Intelligence (GCAI). Berlin, Germany, 2016
Alexandra Kirsch
-
“Modelling human problem solving with data from an online game”. In: Cognitive Processing 17.4 (2016), pp. 415–428
Tim Rach and Alexandra Kirsch
