ActAR - Aktionsbewusstsein für kognitive Roboter

点击翻译按钮获取中文摘要

In dem Maße, in dem autonome Roboter immer komplexere Aufgaben in immer anspruchsvolleren Umgebungen lösen sollen, werden auch die Steuerungssysteme dieser Roboter komplexer. Dies beeinträchtigt sowohl deren Anpassungsfähigkeit als auch deren Robustheit. Ein erfolgversprechender Ansatz, um mit dieser Komplexität umzugehen, besteht darin, die Roboter mit einem Mechanismus der Selbstreflektion auszustatten. Dieser erlaubt es dem Roboter, die Wirkungen seiner möglichen Aktionen zuverlässig vorhersagen zu können. Roboter, die die Effekte ihrer Aktionen kennen, können auch automatisch über ihre Fähigkeiten, Möglichkeiten und Einschränkungen reflektieren und damit ihre Problemlösungskompetenz substantiell verbessern. Ein Roboter mit ” Aktionsbewusstsein“ kann außerdem in vielen Umgebungen deutlich robuster und fehlertoleranter agieren. In dem hier beantragten Projekt entwerfen, realisieren und analysieren wir ActAR (Action awareness for Autonomous Robots), ein neues Berechnungs- und Steuerungsmodell, das Roboter mit Aktionsbewusstsein ausstattet. In diesem Berechnungsmodell wird Aktionsbewusstsein durch die Interpretation selbst akquirierter Erfahrungen erworben. Wissen über Aktionen wird dann benutzt, um Verhalten analysieren und erklären zu können, Ratschläge in die Aktionsausführung zu integrieren und Aktionspläne zu generieren, optimieren, transformieren und koordinieren zu können.Die Implementierung des ActAR Berechnungsmodells besteht aus den folgenden drei Komponenten:1. GRAM (Grounded Action Models), ein spezifischer Mechanismus zur intensionalen und extensionalen Repräsentation von Aktionsmodellen und zum Schlussfolgern über diese Aktionsmodelle;2. AAROLL (Action-aware Robot Learning Language), Erweiterung der Robotersteuerungssprache RPL um Datenstrukturen für die effiziente Implementierung von Aktionsbibliotheken. Aktionen können anschließend einfacher programmiert oder gelernt werden;3. AAREM (Action-aware Reasoning and Execution Mechanisms), ein Framework, das Inferenzmechanismen enthält, um aktionsbewussten Robotern das Schließen über Aktionen zu erlauben, welches die Basis für erfolgreiches Lernen ist. Es setzt auf den allgemeineren Inferenzmechanismen von GRAM auf.Das ActAR Steuerungsmodell wird im Rahmen komplexer Testszenarien mit simulierten und realen Robotern demonstriert und empirisch evaluiert. Die Anwendungsbereiche der Szenarien werden ein intelligenter, autonomer Küchenroboter innerhalb der 3D-Robotersimulationsumgebung Player/Gazebo und unsere neu ausgestattete Forschungsküche AwareKitchen sein. Die Evaluationsmetriken umfassen die Performanz, Zuverlässigkeit und Robustheit des implementierten Steuerungssystems, den vom Programmierer zu erbringenden Entwicklungsaufwand und die Effizienz mit der sich das Steuerungssystem an neue Rahmenbedingungen anpasst.