Motivation
Roboter sind seit langem in der deutschen Industrie sowie verstärkt auch privat unverzichtbar. Sie müssen dabei zunehmend dynamischer sein und sich mit einer Geschwindigkeit fortbewegen können, die für die Menschen nicht zur Gefahr wird. Gleichzeitig sollen sie ihre Aufgaben trotzdem präzise und schnell ausführen können, beispielsweise für den Transport in der Logistik. Bei schneller Fortbewegung und hohem Schwerpunkt oder beim Transport hoher und schwerer Lasten spielt die physikalische Dynamik des Systems für die Regelungstechnik eine große Rolle. Sie kann händisch modelliert werden, ist jedoch zumeist stark abstrahiert von der Realität, was als „Sim-to-Real Gap“ bekannt ist. Mit Hilfe von KI- und ML-Ansätzen kann das Sim-to-Real Gap reduziert werden. Der Roboter kann ein geeignetes Modell seiner selbst erlernen, oder er kann durch bestärkendes Lernen die Regelung ganz übernehmen.
Ziele und Vorgehen
Ziel der interdisziplinären KI-Nachwuchsgruppe ist es, durch den Einsatz von Maschinellem Lernen die dynamische Fortbewegung von realen Robotern verschiedener Fortbewegungsarten zu optimieren, um das Sim-to-Real Gap zu überwinden. Dabei sollen zwei Maschinelle Lernansätze, das hybride und das geführte bestärkende Lernen („Guided“ Reinforcement Learning = RL) erforscht werden. Das hybride Lernen soll die klassischen Verfahren jedoch nicht ersetzen, sondern sie dort gezielt durch Maschinelles Lernen ergänzen, wo sie tatsächlich eine Mehrleistung erbringen können. Guided RL ermöglicht durch Integration vorhandenen Domänenwissens das selbständige Lernen komplexer Regelungsaufgaben für Roboter in der echten Welt.
Innovationen und Perspektiven
Inspiriert von den Forschungsergebnissen der Dynamikmodellierung aus dem Bereich der humanoiden Robotik werden in diesem Vorhaben neue ML-Ansätze und Plattformen zur Lösung aktueller Herausforderungen der KI-Forschung in der Robotik entwickelt und konkretisiert sowie in verschiedene Anwendungsdomänen der Logistik übertragen, um einen praktischen Nutzen in der Logistik als auch in anderen wirtschaftlichen Anwendungen anzuvisieren.