Nahtlose Abstraktionsebenen für Roboterkognition

Wenn Roboter menschenähnliche Aufgaben übernehmen sollen, so werden heutzutage üblicherweise Ansätze kombiniert, die künstliche Intelligenz (KI) mit Regelungstechnik und Sensorik verbinden. Alle diese Gebiete verwenden unterschiedliche Repräsentationen und Methoden, was eine solche Kombination stark erschwert. Die Kernhypothese dieses Antrags ist, dass beides komplexe, robotische Handlungsplanung und die Bewertung des Handlungserfolgs deutlich verbessert werden kann, wenn man die für die Planung nötigen symbolischen KI-Deskriptoren (Prädikate, Planungsoperatoren) durch probabilistische Abschätzungen bewertet. Die hierzu nötigen probabilistischen Abschätzungen werden hierbei direkt aus der zu Grunde liegenden (physikalischen) Handlungssituation gewonnen. Damit soll sichergestellt werden, dass die hier verwendeten KI-Repräsentationen (Symboldomäne) mit direktem Bezug auf die sich kontinuierlich verändernden Parameter der Handlung und ihrer sensorischen Basis (Signaldomäne) bewertet werden können. Dazu schlagen wir hier eine neuartige, vereinheitlichende Methode vor, die Prädikate und Planungsoperatoren mit zugehörigen Wahrscheinlichkeitsdichtefunktionen für die zu Grunde liegende physikalischen Konfigurationen der relevanten Parameter verbindet. Dichtefunktionen werden sowohl für Erfolg als auch für Misserfolg einer Handlung definiert. Damit kann nun während der Planungsphase eine erheblich bessere Gesamtabschätzung durchgeführt werden, die aussagt, ob und welche Planungsschritte vermutlich Erfolg haben werden. Es ist davon auszugehen, dass ein solches System nicht vollständig von Hand generiert werden kann. Daher stellen wir einen adaptiven Lernmechanismus zur Verfügung, durch den das System ansonsten unbehandelbare Situationen mit Hilfe eines menschlichen Supervisors aufschlüsseln kann. Hierzu verwenden wir einen inkrementellen Lernmechanismus, der uns erlaubt, Planungsoperatoren und Prädikate gleichzeitig mit den zugehörigenWahrscheinlichkeitsmodellenzulernen.Wirverwendendiese wahrscheinlichkeitsbasierte, vereinheitlichende Methode, um damit ein probabilistisches Planungsverfahren zu definieren, das in den hier geplanten Arbeiten auf einem anspruchsvollen robotischen Szenario getestet werden soll. Dazu werden wir unser Verfahren mit Verfahren aus der Literatur vergleichen und in Bezug auf verschiedene Performanzkriterien evaluieren.

Alltägliche Szenarien in menschlichen Umgebungen sind sehr unstrukturiert und unvorhersehbar. Damit ein Roboter in solchen Szenarien autonom agieren kann, müssen traditionell Methoden aus zwei verschiedenen Bereichen kombiniert werden: Künstliche Intelligenz (KI) und Robotik. KI-Aufgabenplanungsansätze werden verwendet, um automatisch Sequenzen abstrakter Anweisungen, so genannte Aufgabenpläne, zu generieren, die die Schritte zur Erfüllung einer Aufgabe ausgehend von einer gegebenen Ausgangssituation definieren. Robotische Bewegungsplanungsansätze wiederum werden verwendet, um jede abstrakte Anweisung in Roboterbewegungen für die Aufgabenausführung umzusetzen. KI- und Robotertechniken sind jedoch historisch gesehen unvereinbar. Sie wurden unabhängig voneinander für unterschiedliche Zwecke entwickelt und verwenden unterschiedliche Darstellungen und Suchtechniken. Die abstrakten, symbolischen Beschreibungen der KI-Planungsmethoden erschweren die konsistente Darstellung physikalischer Bedingungen im kontinuierlichen Raum, die für die erfolgreiche Ausführung einer Aufgabe berücksichtigt werden müssen. Dieser Mangel an Kompatibilität macht die Kombination von KI- und Robotiktechniken in einer gemeinsamen Roboterarchitektur zu einer großen Herausforderung, was sich in den bisher erzielten begrenzten Ergebnissen widerspiegelt. Um dieses Problem zu lösen, führt dieses Projekt eine einheitliche Darstellung physikalischer Bedingungen in Form von Objektpositionen und -ausrichtungen in einem objektzentrierten Ansatz ein, der sowohl mit der KI-Aufgaben- als auch mit der Roboterbewegungsplanung kompatibel ist. Auf der Ebene der Aufgabenplanung werden Objektparameter verwendet, um physische Bedingungen in Form funktionaler Teile von Objekten zu definieren. Um beispielsweise Wasser in ein Glas zu gießen, muss die Oberseite des Glases offen sein und nach oben zeigen, die linke Seite der Flasche muss frei sein, damit sie von der Roboterhand gegriffen werden kann, und so weiter. Auf der Ebene der Bewegungsplanung werden diese physikalischen Bedingungen, die mit funktionalen Teilen assoziiert sind, in Positionen und Ausrichtungen von Objekten umgewandelt, um Roboterbewegungen zu generieren, wie z. B. die erforderliche Position und Ausrichtung der Hand zum Greifen einer Flasche, um sie anschließend auszugießen. Der vorgeschlagene objektzentrierte Ansatz wird durch Lernmechanismen ergänzt, die automatisch aus händischen Demonstrationen jene Bedingungen generieren, die nicht in Form funktionaler Objektteile kodiert werden können, wie z. B. Bedingungen zur Vermeidung von Kollisionen während der Bewegung des Roboters. Unsere Beiträge nutzen die Effizienz von KI-Planungsmethoden, um physikalisch machbare Aufgabenpläne zu generieren, die direkt in Roboterbewegungen umgewandelt werden können, mit einer hohen Erfolgsrate und ohne intensive Berechnungen. Dies sind grundlegende Voraussetzungen für den Einsatz von Robotern in Alltagsszenarien, in denen einfache Roboteraufgaben wie die Entnahme eines Medikaments aus einem Regal oder das Einschenken eines Glases Wasser das tägliche Leben einer allein lebenden älteren Person oder einer Person mit eingeschränkter Mobilität erheblich verbessern können.