Autonomous Learning of Bipedal Walking Stabilization

• Antragsteller: Professor Dr. Sven Behnke
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2011 bis 2016
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 200503895

Die ersten Schritte eines Kleinkinds sind nicht weniger instabil als die Laufbewegungen der meisten zweibeinigen Roboter. Im Gegensatz zu den Robotern lernen Menschen jedoch sehr schnell stabil zu gehen. Ohne viel Anleitung entwickeln wir die Fähigkeit, uns auf nahezu jedem Boden fortzubewegen und die Balance auch bei starken, unerwarteten Störungen wieder zu erlangen. Zweibeinige Geher sind komplexe, inhärent instabile Systeme. Wegen dieser Komplexität ist es bislang trotz jahrzehntelanger Bemühungen nicht gelungen, die Effizienz, Eleganz und insbesondere die Stabilität des menschlichen Gangs technisch nachzuvollziehen.Ausgehend von einen in engen Grenzen selbststabilisierenden Gangverhalten, das kein Feedback benutzt, und der Fähigkeit zu fallen, besteht unser neuer Ansatz darin, autonome Lernalgorithmen zu entwickeln, die es dem Roboter erlauben, seine eigene Dynamik zu lernen, während er beim Gehen gestört wird. Die Störungen werden dabei entweder von außen eingebracht, oder der Roboter generiert die Störungen mit Hilfe einer effizienten Explorationsstrategie selbst. Der Roboter benutzt das erworbene Wissen dann, um zu entscheiden, wann und wohin Ausfallschritte platziert werden, die es ihm erlauben, die Balance nach unerwarteten Stößen wieder zu erlangen oder auch auf unebenen Grund stabil zu gehen. Unsere Lernmethode basiert auf generischen nichtparametrischen Funktionsapproximatoren und nicht auf expliziter Modellierung.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1527: Autonomes Lernen