EASE

SFB 1320: Everyday Activity Science and Engineering (EASE)

Informationen

Deutsche Forschungsgemeinschaft (DFG), Sonderforschungsbereich

Webseite: https://ease-crc.org

Laufzeit: 2017 - 2025 (Verlängerung bis 2029 möglich)

Ansprechpartner: Dr. Robert Porzel​​​​, Robin Nolte​​​​​​​​

Der Roboter "PR2" mit Team

Übersicht

Im DFG-Sonderforschungsbereich Everyday Activity in Science and Engineering (EASE) untersuchen wir, wie Roboter alltägliche Aufgaben – wie z.B. kochen – mit der gleichen Geschicklichkeit wie Menschen bewältigen könnten. Als interdisziplinäres Forschungsprojekt beleuchtet EASE viele Facetten von Mensch- und Roboterbewegungsabläufen und Problemlösungsstrategien rund um den Haushalt. Unsere Arbeitsgruppe beheimatet Wissenschaftler aus den Teilprojekten P01 und P05, mit unterschiedlichen Forschungsfragen:

  • Lässt sich Sprache durch Simulation verstehen?
  • Wie kann der Roboter den Verwendungszweck von ihn umgebenden Objekten kennenlernen?
  • Wie lassen sich die Erinnerungen eines Roboters repräsentieren (z.B. mit Hilfe von Ontologien)?
  • Welche Prinzipien menschlicher Metakognition („Denken über das Denken“) können den Roboter bei Planung, Ausführung und Fehlerbehebung von Aktionen unterstützen?
  • Wie funktioniert die Kommunikation zwischen verschiedenen, hybriden Systemen, die den Roboter unterstützen (Neuronale Netzwerke, Logische Regelsysteme, Physiksimulation, etc.), und wie lassen sich deren Ausgaben zu für den Roboter sinnvollen Ergebnissen kombinieren?
  • Können wir Fragen des Roboters antizipieren, um Antworten vorauszuberechnen und später ohne Reaktionszeit parat zu haben?

In enger Zusammenarbeit mit anderen Forschungsgruppen und Teilprojekten entwickeln wir unterschiedliche Ansätze, um diese Fragen zu beantworten. Beispielsweise programmieren wir eine hybride Query-Engine, welche die Koordination der verschiedenen Informationssysteme übernimmt. Die geloggten Anfragen plus Ausführungskontext sollen später mit maschinellen Lernverfahren zum Antizipieren verwendet werden.

Darüber hinaus modellieren wir die internen Kontrollsysteme des Roboters sowie ihre Abläufe, damit er eine Vorstellung von seinen eigenen Denkprozessen erhält und sie eigenständig zu steuern lernt. Wenn der Roboter beispielsweise einen Becher nicht richtig greift, soll er den Planungsprozess zurückverfolgen, um die Fehlerursache und mögliche Lösungen zu identifizieren: Wurde die Position des Bechers falsch wahrgenommen, sollte er noch einen Blick aus einer anderen Perspektive darauf werfen. Klemmt ein Gelenk, nimmt er besser den anderen Arm.