Modellprädiktive Bewegungsplanung zur robotergestützten Beobachtung und Aufzeichnung von menschlichen Tätigkeiten

• Antragsteller: Professor Dr.-Ing. Torsten Bertram
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 497071854

Authentische Daten von menschlichen Tätigkeiten sind in vielen Bereichen essentiell aber gleichzeitig aufwändig und kostspielig zu akquirieren. Sie dienen beispielsweise zu Dokumentationszwecken in der Medizin, Luft- und Raumfahrt sowie der Ethologie in der Forschung zur Mensch-Roboter Interaktion. Auch beim maschinellen Lernen wie dem Deep Learning oder dem Learning from Observation entscheiden Menge und Qualität der Daten über die Leistungsfähigkeit neuartiger Ansätze. Eine robotergestützte Beobachtung und Aufzeichnung von menschlichen Tätigkeiten ist ein vielversprechender Weg den Zugang zu seltenen und exklusiven Daten wirtschaftlicher zu gestalten. Heutzutage ist die modellprädiktive Regelung Stand der Technik für eine echtzeitfähige Bewegungsplanung unter den Aspekten Kollisionsfreiheit sowie Zeit- und Wegoptimalität bei unter anderem seriellen Robotern. Das Forschungsvorhaben widmet sich daher einer modellprädiktiven Bewegungsplanung für die lückenlose Aufzeichnung von menschlichen Tätigkeiten und die damit verbundenen Änderungen an der Umgebung durch eine robotergeführte Auge-in-Hand Kamera. Ziel ist die Maximierung des über die gesamte Kamerabewegung akkumulierten Informationsgewinns durch die Aufnahmen aus wechselnden Perspektiven in direkter Nähe zur Tätigkeit ohne dabei den Menschen zu stören. Mit erfolgreicher Anwendung der modellprädiktiven Regelung in der Robotik stellen sich unter dieserZielstellung neue Herausforderungen sowohl hinsichtlich der Kollisionsvermeidung unter Unsicherheiten der menschlichen Bewegung als auch der systematischen Entwicklung aufgabenspezifischer Kostenfunktionen, welche den Erfolg der gesamten räumlich zeitlichen Bewegung hinsichtlich eines übergeordneten Gesamtziels bewerten. Die Methoden werden sowohl hinsichtlich ihrer grundsätzlichen Verwendung als auch im Rahmen einer exemplarischen Anwendung, in der ein serieller Roboter die beobachtete Tätigkeit mit Hilfe des Learning from Observation reproduzieren soll, kollektiv evaluiert.

• DFG-Verfahren: Sachbeihilfen