Dynamische Bewegungseinheiten als Modell menschlichter und humanoider Bewegungssteuerung
Zusammenfassung der Projektergebnisse
Dieses Projekt kombinierte Robotik mit menschlicher Bewegungserzeugung. Zum Erzeugen von Roboterbewegungen wurde ein neues Modell entwickelt und gleichzeitig bildete dieses Modell die Basis zum Studium menschlicher Bewegung. Beide Forschungsgebiete profitierten von dieser parallelen Bearbeitung. Die Beobachtung wie Menschen Armbewegungen auf sich ändernde Zielpunkte verallgemeinern führte zu verbesserten Bewegungsgleichungen, die es Robotern erlauben, so ähnlich wie Menschen, Bewegungen auf eine dynamische Umgebung anzupassen. Eine Bewegung kann zum Beispiel auf verschiedene Zielpunkte verallgemeinert werden, allein durch Ändern eines Parameters für die Zielposition. Dieser Fortschritt in der Robotik kann direkt für die Steuerung von Arm-Prothesen und Roboter-Assistenten angewendet werden. Auf der anderen Seite gab es interessante Einblicke in die menschliche Bewegungskontrolle. Ich beschreibe drei Hauptergebnisse: (1) Die Anpassung einer kurvenförmigen Bewegung auf einen Zielpunkt kann mit einem Parameter beschrieben werden. Diese Reduktion deutet auf einen automatischen Mechanismus auf einer unteren Ebene in der Kontroll-Hierarchie. (2) Weiterhin schlagen die Ergebnisse vor, dass diese untere Ebene nicht einfach mit einem internen Modell der inversen Dynamik realisiert wird - diese Einsicht ist bedeutend, da diese Hypothese weiterhin dominant ist in der Forschungsgemeinde der neuronalen Bewegungs-Kontrolle. (3) Schließlich untersuchte ich die Bewegungsoptimierung wenn nur ein Belohungssignal als Rückmeldung präsentiert wurde; hier stellte sich heraus, dass die scheinbar naheliegende Lösung - ein Gradientenabstieg in der Belohnungsfunktion im Raum der Bewegungsparameter - offenbar nicht realisiert wird. Für die Zukunft können die Fortschritte in der Robotik auf Arm-Prothesen und Roboter-Assistenten angewendet werden. Mit den neuen dynamischen Bewegungseinheiten können relativ einfach komplexe Bewegungen mit beliebigen Manipulatoren erzeugt werden. Desweiteren wird die Anpassung auf verschiedene Zielpositionen vereinfacht. Diese Vereinfachung der Kontrolle plane ich auf Roboter-Prothesen anzuwenden. Ein Herausforderung für die Kontrolle von Prothesen-Armen ist die geringe Anzahl von Kontroll-Parametern, die vom Prothesenträger gewonnen werden können. Hier bieten unsere dynamischen Bewegungseinheiten den Vorteil, dass nur der Typ der Bewegung und das Bewegungsziel zur kompletten Bewegungsgeneration benötigt werden. Die Ergebnisse in der menschlichen Bewegungsteuerung bieten viele Ansatzpunkte zu weiteren Forschungsprojekten. Mit weiteren Verhaltensexperimenten versuche ich die Kontroll-Prinzipien menschlicher Bewegung herauszufinden. Weiterhin bin ich daran interessiert, Anwendungen für die gewonnen Erkenntnisse zu finden.
Projektbezogene Publikationen (Auswahl)
-
A computational model of arm trajectory modification using dynamic movement primitives. Society for Neuroscience, Abstracts, San Diego, California, 2007
Peyman Mohajerian, Heiko Hoffmann, Michael Mistry, and Stefan Schaal
-
A computational model of human trajectory planning based on convergent flow fields. Society for Neuroscience, Abstracts, San Diego, California, 2007
Heiko Hoffmann and Stefan Schaal
-
Human movement generation based on convergent flow fields: A computational model and a behavioral experiment. Advances in Computational Motor Control VI, Symposium at the Society for Neuroscience Meeting, San Diego, 2007
Heiko Hoffmann and Stefan Schaal
-
Behavioral experiments on reinforcement learning in human motor control. Neural Control of Movement, Abstracts, Naples, Florida, 2008
Heiko Hoffmann, Evangelos Theodorou, and Stefan Schaal
-
Combining dynamic movement primitives and potential fields for online obstacle avoidance. Adaptive Motion of Animals and Machines (AMAM), Cleveland, Ohio, 2008
Dae-Hyung Park, Heiko Hoffmann, and Stefan Schaal
-
Do humans plan continuous trajectories in kinematic coordinates? Society for Neuroscience, Abstracts, Washington, D.C, 2008
Heiko Hoffmann and Stefan Schaal
-
Dynamic movement primitives for movement generation motivated by convergent force fields in frog. Adaptive Motion of Animals and Machines (AMAM), Cleveland, Ohio, 2008
Heiko Hoffmann, Peter Pastor, and Stefan Schaal
-
Movement generation by learning from demonstration and generalization to new targets. Adaptive Motion of Animals and Machines (AMAM), Cleveland, Ohio, 2008
Peter Pastor, Heiko Hoffmann, and Stefan Schaal
-
Movement reproduction and obstacle avoidance with dynamic movement primitives and potential fields. IEEE International Conference on Humanoid Robots, 2008
Dae-Hyung Park, Heiko Hoffmann, Peter Pastor, and Stefan Schaal
-
Optimization strategies in human reinforcement learning. Advances in Computational Motor Control Vll, Symposium at the Society for Neuroscience Meeting, Washington DC, 2008
Heiko Hoffmann, Evangelos Theodorou, and Stefan Schaal
-
Biologically-inspired dynamical systems for movement generation: Automatic real-time goal adaptation and obstacle avoidance. IEEE International Conference on Robotics and Automation, 2009
Heiko Hoffmann, Peter Pastor, Dae-Hyung Park, and Stefan Schaal
-
Human optimization strategies under reward feedback. Neural Control of Movement, Abstracts, Waikoloa, Hawaii, 2009
Heiko Hoffmann, Evangelos Theodorou, and Stefan Schaal
-
Learning and Generalization of Motor Skills by Learning from Demonstration. IEEE International Conference on Robotics and Automation, 2009
Peter Pastor, Heiko Hoffmann, Tamim Asfour, and Stefan Schaal
