ActAR - Aktionsbewusstsein für kognitive Roboter

In dem Maße, In dem autonome Roboter immer komplexer Aufgaben In immer anspruchsvolleren Umgebungen lösen sollen, werden auch die Steuerungssysteme dieser Roboter komplexer。Dies beeinträchtigt sowohl deren Anpassungsfähigkeit也each deren Robustheit。因此，在机器人领域，我们需要研究机器人的发展方向，我们需要研究机器人的发展方向，我们需要研究机器人的发展方向。dier erlaubt es dem robot, die Wirkungen seiner möglichen Aktionen zuverlässig vorhersagen zu können。机器人，die die Effekte ihrer Aktionen kennen, können auch automatisch <e:1>, ber ihre Fähigkeiten， Möglichkeiten和Einschränkungen reflektien和damit ihre Problemlösungskompetenz实质性的verbessern。在机器人中，“Aktionsbewusstsein”可以用“erdem”代替“vielen Umgebungen deutlich robuster”和“ehlertolerance”。在他们的beantragten project entwerfen中，实现和分析了ActAR（自主机器人的动作感知），在Berechnungs和steuerungmodel中，Roboter mit Aktionsbewusstsein ausstattet。在这一过程中，我们可以看到，我们的技术模型是如何运作的，我们的技术模型是如何运作的。Wissen <e:1> ber Aktionen widern benutzt, um Verhalten analysieren und erklären zu können, Ratschläge in die aktionsausfhrung zu integrieren und Aktionspläne zu generieren, optimieren, transformieren and koordinieren zu können。ActAR技术模型的最佳实现方法是：1。2.接地作用模型（GRAM）， ein spezifischer Mechanismus zur intensionalen and extensionalen Repräsentation von Aktionsmodellen und zum Schlussfolgern ber disese Aktionsmodelle；动作感知机器人学习语言（AAROLL）， Erweiterung der robotersteuerungssprrache RPL和datenstruckturen f<s:1>高效实现（deiziente implementung von aktionsbiblioken）。2 . Aktionen können anschließend教师编程器；AAREM（动作感知推理和执行机制），in Framework, das interenzmechanismen enthält, um aktionsbewussten Robotern das Schließen ber Aktionen zu erlauben, welches die Basis f<e:1> r erfolgreiches lerenist。本文提出了一种基于遗传算法的相互作用机制。在拉赫曼复合测试系统中，采用了仿真与现实相结合的机器人模型验证与经验评价方法。3d机器人仿真（3d - robotersimulation）、玩家/凉亭（sumgebung Player/Gazebo）、智能厨房（AwareKitchen sein）。模具性能评估（fassen）， Zuverlässigkeit和鲁棒性评估（鲁棒性评估），实现了Steuerungssystem，通过编程实现了steueringenden enwicklungsaufand和模具效率评估，其中steueringssystem和新的rahmenbedingungenan过去。

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.