Motivation
Subsymbolische Verfahren, die auf maschinellem Lernen und dabei insbesondere auf Deep-Learning Verfahren basieren, werden in den letzten Jahren in Anwendungsgebieten wie Bild- und Sprachverarbeitung und der Klassifikation unstrukturierter Datenmengen zunehmend angewendet. Nach einer aufwändigen Trainingsphase arbeiten diese Verfahren sehr effizient, allerdings kann über die zugrundeliegende Struktur und die Entscheidungsregeln explizit wenig ausgesagt werden. Da ihr Verhalten aber nur für die trainierten Testfälle fixiert ist, kann darüber hinaus in der Regel wenig in abweichenden Fällen vorausgesagt werden. Ein Nachweis der Korrektheit ihres Verhaltens ist somit nach dem jetzigen Stand der Technik nicht möglich. Heuristische, planbasierte und deduktive Verfahren arbeiten dagegen auf einer expliziten Struktur und Regelbasis für die Entscheidungen, die es grundsätzlich erlauben, die Korrektheit des Verfahrens bezüglich vorgegebener Anforderungen zu überprüfen und zu beweisen. Diese symbolischen Verfahren sind in Regel aber suchintensiv und damit langsam in ihrer Ausführung, was ihren Einsatz in der Praxis allgemein erschwert und in zeitkritischen Applikationen komplett verbietet.
Ziele und Vorgehen
Dieses Projekt zielt auf eine Kombination beider Ansätze, um in Anwendungsbereichen, in denen es zwar symbolische, aber für die Praxis zu ineffiziente Lösungsverfahren gibt, effizien-te und gleichzeitig sichere Verfahren anbieten zu können. Ausgehend von einem symbolischen Verfahren wird sukzessive ein neuronales Netz als alternatives Lösungsverfahren trainiert. Mit zunehmendem Trainingsgrad des Netzes erfolgt die Problemlösung durch das Netz selbst. Das symbolische Verfahren überprüft lediglich die Korrektheit der durch das Netz berechneten Lösung. Die symbolische Repräsentation der Problemstellung erlaubt eine effiziente Kontrolle der Lösung, so dass im Fehlerfall wieder auf das symbolische Verfahren zurückgegriffen wer-den und anschließend das Netz entsprechend durch weitere Trainingsdaten verbessert wer-den kann. So bietet das kombinierte Verfahren ein ressourcensparendes und trotzdem siche-res Verhalten.
Innovationen und Perspektiven
Wesentlicher Teil des Projektes ist die Evaluierung des Konzeptes in zwei Fallstudien, welche die Kombination der Verfahren an anschaulichen Demonstratoren aus der Servicerobotik zeigen. In der ersten Fallstudie wird ein zweiarmiger Roboter gemeinsam mit einem Menschen jonglieren. Hierbei muss zum einen ausgehend von Kamerabildern die Flugbahn der Bälle berechnet und darauf aufbauend die Bewegung der Roboterarme geplant werden, wobei gleichzeitig die Sicherheit des menschlichen Mit-Jonglierers garantiert werden muss. In der zweiten Fallstudie wird die Bewegung von mehreren autonomen Transportplattformen im BAALL (Bremen Ambient Assisted Living Lab) koordiniert und geplant. Das BAALL ist eine 60 m² große Smart-Home-Musterwohnung. Die Transportplattformen sollen einfache Aufgaben (wie eine Pizza aus der Küche zu holen) erledigen und müssen sich dabei mit dem restlichen Inventar das BAALL (Türen, Licht, autonome Rollstühle) koordinieren.