InDex - Geschickte Manipulation in der Roboterhand

Der Mensch ist exzellent im Umgang mit Alltagsgegenständen und Manipulationsaufgaben, er kann neue Fähigkeiten erlernen und sich in verschiedenen oder komplexen Umgebungen anpassen. Dies ist eine grundlegende Fähigkeit für unser Überleben sowie ein Schlüsselelement in unserer Welt der Artefakte und von Menschen gemachten Geräten. Unsere fachmännische Fähigkeit, unsere Hände zu benutzen, resultiert aus einem lebenslangen Lernen, indem wir sowohl andere erfahrene Menschen als auch uns selbst beobachten, wenn wir lernen, wie man mit Gegenständen aus erster Hand umgeht. Leider sind die heutigen Roboterhände im Vergleich zu Menschen noch immer nicht in der Lage, ein so hohes Maß an Fingerfertigkeit zu erreichen, und Systeme sind auch nicht in der Lage, ihr eigenes Potenzial zu verstehen. Damit Roboter in einer menschlichen Welt wirklich funktionieren und die Erwartungen als intelligente Helfer erfüllen, müssen sie in der Lage sein, eine Vielzahl unbekannter Objekte zu manipulieren, indem sie ihre Fähigkeiten der Stärke, Finesse und Subtilität beherrschen. Um eine solche Geschicklichkeit mit Roboterhänden zu erreichen, sind kognitive Fähigkeiten erforderlich, um mit Unsicherheiten in der realen Welt umzugehen und zuvor erlernte Fähigkeiten auf neue Objekte und Aufgaben zu verallgemeinern. Darüber hinaus behaupten wir, dass die Komplexität der Programmierung stark reduziert werden muss und die Autonomie der Roboter viel natürlicher werden muss. Das InDex-Projekt zielt darauf ab, zu verstehen, wie Menschen Objektmanipulationen in der Hand durchführen und die beobachteten geschickten Bewegungen mit geschickten künstlichen Händen wiederholen, wobei die Konzepte der Verstärkung und des Transferlernens verallgemeinert werden, um Fertigkeiten für mehrere Objekte und Aufgaben zu verallgemeinern. Darüber hinaus wird eine Abstraktion und Darstellung von Vorwissen für die Reproduzierbarkeit von erlernten Fähigkeiten auf unterschiedlicher Hardware von grundlegender Bedeutung sein. Beim Lernen werden Daten über mehrere Modalitäten hinweg verwendet, die gesammelt, kommentiert und zu einem großen Datensatz zusammengesetzt werden. Die Daten und unsere Methoden werden der breiteren Forschungsgemeinschaft zur Verfügung gestellt, um Tests gegen Benchmarks und Reproduktionen von Ergebnissen zu ermöglichen. Konkreter gesagt, sind die Kernziele: (i) eine multi-modale künstliche Wahrnehmungsarchitektur aufzubauen, die Daten der menschlichen Manipulation von Objekten extrahiert, um autonome Manipulation in der Hand voranzutreiben, dh dem Roboter zu ermöglichen, Objekte neu zu positionieren, neu auszurichten und neu zu positionieren endgültige Pose für den Betrieb; (ii) die Erstellung eines multimodalen Datensatzes von In-Hand-Manipulationsaufgaben; (iii) die Entwicklung eines fortgeschrittenen Objektmodellierungs- und -erkennungssystems, einschließlich der Charakterisierung von Objekt- Affordanzen und Erfassungseigenschaften, um sowohl explizite Informationen als auch mögliche implizite Objektverwendungen einzukapseln; (iv) autonomes Lernen und genaue Imitation menschlicher Strategien bei der Bewältigung von Aufgaben; und (v) um eine Brücke zwischen Beobachtung und Ausführung zu bauen, die eine von der Roboterarchitektur unabhängige Bereitstellung ermöglicht.