Detailseite
Projekt
Lass KI ihre Gestalt wählen: Ko-Design von Lernen und Mechatronik für schnelle reflexive Robotik (CoLearnMech)
Antragsteller
Professor Dr. Sebastian Trimpe
Fachliche Zuordnung
Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
Mechanik
Mechanik
Förderung
Förderung seit 2025
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 564414873
Eine Roboterhand hält einen Ball und schnipst diesen mit Spin – das ist ein Beispiel für eine Robotik-Aufgabe, die schnelle, reflexive Regelung erfordert. Ähnliche Aufgaben mit Instabilität, Kontakt und schneller Dynamik sind in Anwendungen wie industrieller Montage, im Haushalt oder Katastrophenhilfe allgegenwärtig. Während das übergeordnete Ziel klar ist (z. B. den Ball in einen Eimer zu schnipsen), ist dessen Umsetzung in ein spezifisches Design schwierig, da dieses Mechatronik (Hardware) und Regelungstechnik (Software) umfasst. Traditionelle Ansätze trennen Hardware- und Regelungsentwicklung. Dies schränkt die Leistungsfähigkeit ein und stellt ein „Henne-Ei-Problem“ dar: Die einfachste Mechanik kann anspruchsvolles Lernen einschränken, während eine komplexe anthropomorphe Hand für effektives Lernen zu teuer und unpraktisch sein kann. Mit diesem Antrag streben wir Methoden der künstlichen Intelligenz (KI) an, die Ko-Design von Mechatronik und lernbasierter Regelung in großen Parameterräumen ermöglichen. Wir formulieren das Ko-Design-Problem als Optimierung eines formalisierten Ziels auf zwei Ebenen, die wir in unserem Designassistenten CoLearnMech kombinieren. Die innere Ebene (AI1) lernt mittels Reinforcement Learning (RL) und Imitation Learning (IL) eine Regelung für ein Design. Auf der äußeren Ebene (AI2) schlägt Bayesian Optimization (BO) AI1 Designs vor und findet diejenigen mit der besten Performanz. Die Optimierung von Ko-Designs in hochdimensionalen Parameterräumen erfordert schnelle AI1-Lösungen und dateneffiziente AI2-Methoden – zwei Forschungslücken, die wir schließen möchten. Um die Lösung von AI1 zu beschleunigen, werden wir dateneffiziente modellbasierte RL-Methoden entwickeln, Lernen durch IL-Demonstrationen beschleunigen und Design-Conditioned Policies untersuchen, die über mehrere Designs generalisieren. In AI2 verbessern wir die Dateneffizienz durch BO mit partieller Information, Branch-and-Bound Verfahren und Nutzerfeedback. Wir demonstrieren CoLearnMech, indem wir die Grenzen des Ko-Designs für ein realen System erweitern: der Entwicklung einer schnellen, reflexiven Roboterhand, die Aufgaben wie das Schnipsen eines Balls und die In-Hand-Manipulation von Objekten löst. Um zu validieren, dass CoLearnMech große Parameterräume erkunden und überlegene Designs im Vergleich zu bestehenden kommerziellen und Open-Source Greifern identifizieren kann, werden wir Simulationsstudien durchführen und Hardware-Prototypen bauen. Anders als bestehende Ko-Design-Methoden, die wenige kontinuierliche Variablen optimieren, streben wir Ko-Design im großen Maßstab an. Dies erreichen wir durch einen neuen und modularen Ko-Design Assistenten sowie methodische Beiträge in den Bereichen RL, IL und BO, die Dateneffizienz, Automatisierung und Zuverlässigkeit verbessern. Dadurch beabsichtigen wir, das „Henne-und-Ei“-Problem des komplexen Roboterdesigns zu überwinden, was wir am Beispiel einer reaktionsschnellen Roboterhand validieren werden.
DFG-Verfahren
Schwerpunktprogramme
