PIPE: Probabilistische Modelle von Instruktionen, Perzeption und Erfahrung - Repräsentation, Lernen und Schlussfolgern

• Antragsteller: Professor Michael Beetz, Ph.D.
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2017 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 322037152

Im Rahmen des vorgestellten Projektes werden Bayes'sche Modelle entwickelt, mit deren Hilfe anspruchsvolle Lern- und Schlussfolgerungsaufgaben im Bereich der autonomen Robotik bewerkstelligt werden können. Diese Aufgaben beinhalten: (1) die Interpretation und Vervollständigung von vage formulierten natürlichsprachlichen Instruktionen, (2) die Erkennung, Lokalisierung, Kategorisierung und Rekonstruktion von Objekten in der Umgebung, (3) die Ausführungvon alltäglichen Aufgaben durch Roboter, sowie das Lernen und Schlussfolgern von Parametrisierungen zur Laufzeit und das Erkennen möglicher Fehler oder unerwünschter Effekte, um das eigene Verhalten in jeder neuen Situation zu optimieren.Probabilistische relationale Modelle werden derzeit in allen drei der genannten Teilprobleme mit vielversprechendem Erfolg eingesetzt. Allerdings sind diese meist sehr stark auf das jeweilige Problem zugeschnitten, was die problemübergreifende Nutzung des Wissens schwierig, wenn nicht sogar unmöglich macht. Ziel dieses Projektes ist es, autonome Robotersysteme mit der Fähigkeit auszustatten, probabilistische relationale Wissensbasen aus den Erfahrungen der Objektperzeption, der Interpretation von natürlicher Sprache und der physischen Ausführung von Aufgaben aufzubauen und das so erlangte Wissen problemübergreifend zu nutzen. Zu diesem Zweck werden einheitliche Datenstrukturen und Algorithmen entwickelt, die die Repräsentation, die Akquisition und das Schlussfolgern in einem übergreifenden Programmiergerüst ermöglichen und so Informationen und Wissen über die Beziehungen zwischen Aktionen, ihren Effekten, beteiligten Objekten und deren Eigenschaften sowie über die Art und Weise, wie eine Aktion ausgeführt werden muss, zu erlangen.Unsere Vorarbeiten in den jeweiligen Bereichen belegen, dass das synergetische Zusammenwirken von vormals unabhängig operierender Komponenten in Roboterkontrollroutinen zu einer wesentlichen Leistungssteigerung bezüglich Autonomie, Generalität und Vielseitigkeit von Robotern führen kann.

• DFG-Verfahren: Sachbeihilfen