Selbstüberwachte Lernmethoden für die Online-Adaptation von Bewegungsmodellen zur Vorausschauenden Autonomen Navigation Vierbeiniger Laufroboter

• Antragsteller: Professor Dr. Jörg-Dieter Stückler
• 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 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556093512

Die autonome Navigation auf diversen und unebenen Untergründen wie z.B. Asphalt, Hügeln, oder Sand ist ein wichtiges Problem in der Robotik mit einer Vielzahl von Anwendungen z.B. für das autonome Fahren, Serviceroboter im Außengelände, und der Bau- oder Agrartechnik. Die Befähigung mobiler Roboter zu adaptivem und effizientem Verhalten auf solchen Untergründen ist ein aktives Forschungsfeld. Dies erfordert eine robuste, zielgerichtete, und zeit- und regelungskosteneffiziente Planung und Regelung der Bewegung des Roboters zu Zielorten in der Umgebung. Es wäre allerdings zu aufwändig, hierfür das Fortbewegungsverhalten für eine große Anzahl von Untergründen und Variationen in Robotereigenschaften (z.B. Zuladung, Batterieladezustand) händisch zu beschreiben. Stattdessen sind Verfahren wünschenswert, die eine Anpassung des Systems an eine Vielzahl von Gegebenheiten durch Lernen ermöglichen. Mobile Roboter sollen in der Lage sein, den Effekt von Kontrolleingaben in ihrer Umgebung zu erlernen, Eigenschaften der Untergründe wie Oberflächenneigung, Schlupf oder Dämpfung mittels Sensorik und aus Erfahrung zu schätzen und diese Information vorausschauend für die Navigation zu berücksichtigen. In diesem Projekt werden wir neuartige Verfahren für das selbstüberwachte Lernen von Bewegungsmodellen von vierbeinigen Robotern in Umgebungen mit diversen und unebenen Untergründen untersuchen. Wir nehmen dabei an, dass eine grundlegende Regelung der Fortbewegung für die betrachteten Untergründe bereits vorhanden ist, die Fortbewegung aber unterschiedliche Eigenschaften wie effektive Beschleunigungen und Geschwindigkeiten je nach Untergrund- und Robotereigenschaften aufweist. Wir werden neuartige Lernverfahren für Bewegungsmodelle entwickeln, die das Verhalten des Roboters mit Hinblick auf Kontrolleingaben auf diversen Untergründen erfassen. Dazu werden wir probabilistische kontextabhängige Bewegungsmodelle entwickeln, die es erlauben, die Untergrund- und Robotereigenschaften als Kontextvariablen aus Interaktionen und Sensormessungen (z.B. visuell, auditiv, inertial) online zu inferieren. Die gelernten Modelle werden für die vorausschauende Planung von konfident einschätzbaren und regelungskosteneffizienten Pfaden durch modellprädiktive Regelung verwendet. Dieses Projekt wird neue Erkenntnisse zu selbstüberwachten Lernverfahren und der autonomen Navigation mobiler Roboter liefern. Dies könnte neuartige Anwendungen für intelligente Robotiksysteme ermöglichen, die vorausschauend adaptive, robuste und energieeffiziente Navigation auf diversen und unebenen Untergründen erfordern. Unsere Erkenntnisse könnten auch neue Forschung im breiteren Kontext des selbstüberwachten Lernens für die Online-Adaptation in der Robotik und verwandten Disziplinen wie den Kognitionswissenschaften inspirieren.

• DFG-Verfahren: Sachbeihilfen