Effizientes Lernen für übertragbare Roboterautonomie in menschenzentrierten Umgebungen

• Antragsteller: Professor Dr. Abhinav Valada
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 468878300

Die enormen Fortschritte in der Entwicklung der Fähigkeiten autonomer Roboter haben beeindruckende Ergebnisse bei der Navigation in urbanen Umgebungen ermöglicht. Diese Fähigkeiten nutzen Richtungsanweisungen von Fußgängern, setzen hochpräzise, vorgefertigte 2D- oder 3D-Karten ein und passen sogar ihr Verhalten anhand öffentlich zugänglicher Karten an. Allerdings meiden die meisten Roboter heute noch die Nähe zu Menschen, und den entsprechenden Autonomieverfahren mangelt es an der Generalisierbarkeit und Robustheit, die für Serviceanwendungen erforderlich wären.Gleichzeitig haben datengetriebene maschinelle Lernalgorithmen die Leistungsfähigkeit in einer Vielzahl von Anwendungen verbessert. Dabei erhöhten sie jedoch die Abhängigkeit von manuell annotierten Datensätzen, wodurch die Übertragbarkeit und Generalisierbarkeit dieser Methoden eingeschränkt wird. Dieses Projekt zielt auf die Überwindung dieser Einschränkungen ab, indem es dateneffiziente und übertragbare Lerntechniken für grundlegende Aufgaben der Navigationsautonomie entwickelt, um mobile Serviceroboter in die Lage zu versetzen, in Ihnen zuvor unbekannten urbanen Außenumgebungen unter Menschen zu navigieren. Dafür befasst sich das Projekt mit den folgenden Hauptfragen:I) Wie können wir Steuersignale für das Lernen von Modellen/Strategien erhalten, ohne vollständig auf manuell annotierte Daten oder Belohnungsfunktionen angewiesen zu sein?ii) Wie können wir Lernmethoden entwickeln, die das erlernte Wissen auf verschiedene Aufgaben, Modalitäten und Umgebungen übertragen können ohne dabei abhängig von spezifischer Roboterhardware zu sein?iii) Wie können wir Navigationsstrategien lernen, die anpassungsfähiges und sicheres Interaktionsverhalten erzeugen, das sozial verträglich ist?Unsere wichtigsten Ziele sind dabei:Effizientes Lernen - Nutzung von Selbstüberwachungssignalen aus dem Erlernen von Hilfsaufgaben, die auf nicht annotierten Daten trainiert werden, automatische Annotation von Daten durch cross-modale Überwachung; Nutzung von sich ergänzenden Beobachtungen und induktivem Transfer durch gleichzeitiges Erlernen mehrerer Aufgaben in einem gemeinsamen Rahmen.Transferierbarkeit - Entwicklung von Lerntechniken für den Wissenstransfer über mehrere Domänen, die Fusion dieser Domänen und eine domänenübergreifende Anpassung, wobei Domänen verschiedene Modalitäten, Roboter oder Umgebungszustände beschreiben. Entwicklung von Lernmethoden zur aktiven Suche nach aufschlussreichen Zuständen und kontinuierliches Lernen ohne katastrophales Vergessen.Menschenzentriert - Entwicklung neuartiger Techniken zur Vorhersage von Bewegung und Verhalten von Agenten in menschenzentrierten Umgebungen, um sozial verträgliches und sicheres Verhalten für die Roboternavigation zu erlernen.Das Ergebnis dieses Projekts wird ein innovativer Navigationsansatz sein, der hohe Unabhängigkeit von den Sensormodalitäten und der Art der Fortbewegung aufweist und effektiv auf unbekannte Umgebungen generalisiert.

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