Maschinelles Lernen von Mobiler Manipulation für Intelligenten Assistenzroboter

• Antragstellerin: Professorin Georgia Chalvatzaki, 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 448644653

Robotische Haushaltshilfen sind ein Hauptziel der künstlichen Intelligenz und der Robotik. Jüngste Fortschritte beim Wahrnehmungs- und Manipulationslernen für Roboterarme mit fester Basis deuten darauf hin, dass dieser Traum realisierbar sein könnte. Für den Einzug in alltägliche Lebensumgebungen, die Interaktion mit Menschen und das Erfüllen von Haushaltsaufgaben benötigen Roboterassistenten jedoch intelligente Fähigkeiten zur mobilen Manipulation. Anders als bei stationären, robotischen Manipulationsaufbauten kann sich die intelligente mobile Manipulation nicht auf Brute-Force-Maschinenlernansätze mit großen Datensätzen stützen, sondern muss die Vorteile der klassischen modellbasierten Robotik mit modernen Methoden des maschinellen Lernens verschmelzen. Ein solcher hybrider Ansatz dürfte Erfolg haben, da mobile Manipulatoren in ihren Handlungen oft weniger eingeschränkt sind als ein stationärer Roboterarm. Das iROSA-Projekt zielt darauf ab, einen neuartigen Roboter-Lernansatz für mobile Manipulation zur intelligenten Unterstützung zu untersuchen. Es werden drei grundlegende Forschungsprobleme behandelt: (i) robuste mobile Manipulation, (ii) verbesserte Mensch-Roboter-Interaktion (MRI) und (iii) adaptive Planung zur Bewältigung von Haushaltsaufgaben. Jedes dieser Kernprobleme wird innerhalb realistischer, aber minimaler Testbeds untersucht, wie z.B. das Holen und Tragen von Gegenständen, deren Übergabe an Menschen sowie Kombinationen davon. Wir erwarten die folgenden methodischen Fortschritte: (a) eine neuartige mobile Manipulation-Lernmethode für Hol- und Trageaufgaben basierend auf unserem hybriden Ansatz, die effektives Greifen beim Annähern an Objekte aus verschiedenen Blickwinkeln durch Extrahieren orientierungsinvariante Merkmale ermöglicht. Dabei wird ein gegnerischer Objektgenerator verwendet, um gegenüber Optimierungsverzerrungen robust zu sein. (b) Verbesserte MRI-Techniken, die reibungslose Mensch-Roboter-Objektübergaben ermöglichen. Dabei ermöglichen das Erlernen von Modellen der Interaktionsdynamik, die Vorhersage der Bewegungsabsicht des Menschen und das Einbeziehen von Beschränkungen des menschlichen Arbeitsbereichs eine effektive Interaktion. (c) Ein lernbasierter Ansatz für die Sequenzierung von Aufgaben in (a,b). Dieser Ansatz erzeugt dynamische Aufgabensequenzen und passt die zu deren Ausführung erforderlichen Kontrollsignale entsprechend an. Alle drei Fortschritte werden experimentell an einem physischen mobilen Manipulator TIAGo++ evaluiert. Das Szenario des Aufräumens eines Raums erfordert, dass der Roboter Spielzeug vom Boden holt, durch den Raum trägt und einem Menschen übergibt. Die PI ist führend in der Forschung über intelligente Roboterunterstützung die von der MRI bis zum Greifen des Roboters reichen. Ihre Expertise an der Schnittstelle zwischen klassischer Robotik und maschinellem Lernen zusammen mit ihrer praktischen Erfahrung mit dem Roboter TIAGO++ werden die Realisierung dieses Projekts ermöglichen.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen
• Großgeräte: Mobile Manipulation Robot
• Gerätegruppe: 2320 Greif- und Hebewerkzeuge, Verladeeinrichtungen