Autonomes Lernen der Stabilisierung des zweibeinigen Gangs

• Antragsteller: Professor Dr. Sven Behnke
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2014 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 269319994

Humanoide Roboter, Roboter mit einer menschenähnlichen Körperform, erfreuen sich zunehmender Beliebtheit als Forschungsplattform, weil sie das Potential haben, universelle Roboter zu werden, die in unseren Alltagsumgebungen eine Vielzahl von Aufgaben erledigen können. Die Effizienz, Robustheit und Anmut des menschlichen Gangs technisch nachzuvollziehen ist allerdings eine große Herausforderung. Zweibeinige Geher sind inhärent instabil und schwierig zu kontrollieren. In der ersten Förderperiode des Schwerpunktprogramms Autonomes Lernen haben wir einen neuartigen Feedback-basierten Ansatz für das zweibeinige Gehen unter starken Störungen entwickelt. Unser Ansatz generiert Fangschritte und ist so in der Lage, Störungen aus jeder Richtung und in jedem Teil des Schrittzyklus zurückzuweisen. Nach ein bis zwei Schritten läuft der Roboter mit der gewünschten Geschwindigkeit weiter. Um den ersten Fangschritt noch effektiver zu machen, haben wir eine Methode zum online-Lernen eines nichtparametrischen Modells entwickelt, das die Abweichungen von einem einfachen physikalischen Modell beschreibt, in dem der Roboter zu einem Massepunkt reduziert wird. Das Modell wird aus einer geringen Zahl von Beobachtungen der nach dem Fangschritt verbleibenden Energie erlernt.Für die zweite Förderperiode des Schwerpunktprogramms schlagen wir die Untersuchung von komplexeren Strategien zur Wiedererlangung der Balance nach Störungen vor, die über Fangschritte hinausgehen. Wir wollen die Fangschritte durch Hüftstrategien ergänzen, welche die Drehträgheit des Oberkörpers nutzen, um Drehmomente für die Wiedererlangung der Balance zu erzeugen. Weiterhin schlagen wir die Entwicklung von Methoden für die Echtzeit-Anpassung der Schritte an die visuell wahrgenommen Eigenschaften des Geländes vor. Wir werden wieder Parameter der Balancemechanismen online und in einem nichtparametrischen Modell lernen und die größeren Zustands-Aktionsräume autonom explorieren.Diese Entwicklungen werden die Anwendbarkeit unserer Balancemechanismen auf Umgebungen erweitern, in denen es Einschränkungen für die Platzierung der Schritte gibt, und die Balance auch in Situationen wahren, die über die Grenzen existierender Ansätze hinausgehen.

• DFG-Verfahren: Sachbeihilfen