Motivation
Die Methoden der Künstlichen Intelligenz (KI) und dabei insbesondere des Maschinellen Lernens (ML) finden mehr und mehr auch ihren Einsatz in der Robotik. Dabei stützen sich besonders viele Ansätze auf die Übertragbarkeit von in der Simulation gelernten Abläufen auf die Realität. Ein besonders populärer Ansatz ist die „Domain Randomization“. Es beschreibt die Simulation mehrerer verschiedener Umgebungen, die durch ihre Varianz (Streuung) in unsicheren Variablen, z.B. der genauen Reibungskoeffizienten oder Hintergrundtexturen, die gelernten Aktionen robuster gegen Performanzverlust beim Transfer in die echte Welt machen soll. In diesem Ansatz muss eine Simulationsumgebung, meistens aus CAD-Modellen, sowie die Variabilität verschiedener Größen modelliert werden. Diese beiden Arbeitsschritte kosten sehr viel Zeit. Daher wird meistens im zweiten Schritt durch Automatisierung an Zeit gespart, was dazu führt, dass zu viele Faktoren gleichzeitig und zu stark variiert werden. Die somit entstehenden Trainingsdaten für ML-Verfahren zeigen eine weniger zufriedenstellende Abdeckung an Datenpunkten.
Ziele und Vorgehen
Das Vorhaben MeSSeR verfolgt ein Zusammenwirken von Mensch und Maschine, das die Varianz der unsicheren Variablen gezielt auf die Anwendung und Kontext schärft, Fachwissen in die Simulation einbringt, die Bereitstellungszeit einer anwendungsbezogenen Simulation signifikant verkürzt, und somit schneller zu einem verlässlicheren Ergebnis führt. In MeSSeR wird untersucht wie die Mensch-unterstützte Synthese von Simulationsumgebungen dazu beiträgt, gelernte Handlungen in die echte Welt zu übertragen und wie dieser Ansatz durch den Einsatz erweiterter und virtueller Realitäten (AR/VR) umgesetzt werden kann. AR und VR ermöglichen eine intuitive Interaktion und erleichtern die räumliche Wahrnehmung der simulierten Umgebung und deren Variabilitätsmodell durch den Menschen.
Innovationen und Perspektiven
Genauer soll in MeSSeR eine Werkzeugkette entworfen, implementiert und evaluiert werden. Dazu wird eine Simulationsumgebung anhand eines Scans der Umgebung durch den Roboter erstellt. Der Mensch erweitert anschließend in der AR/VR-Umgebung die Simulationsumgebung um Annotationen, wie Kiste (fest), Vorhang (flexibel), und überprüft die Streuung der Variablen auf sinnvolle Werte. Diese Simulationsumgebungen werden dazu genutzt, synthetische Daten von Roboterverhalten zu erzeugen. Damit werden zukünftigen Nutzern der MeSSeR-Lösung die nötigen Werkzeuge an die Hand gegeben, um eine synthetische Datengrundlage zum Maschinellen Lernen von Roboteraktionen in der Umgebung zu erstellen.