BOLeRo

Behavior Optimization and Learning for Robots

BOLeRo stellt Werkzeuge zum Lernen von Verhalten für Roboter bereit. Das umfasst Verhaltensrepräsentationen sowie bestärkende Lernverfahren, Black-Box-Optimierung, Evolutionäre Algorithmen und Imitationslernverfahren. Es stellt eine C++- und eine Python-Schnittstelle zur Verfügung, um effizient zu sein wo dies erforderlich ist und um flexibel und einfach zu benutzen zu sein, wo Performanz kein Problem ist. Da die Bibliothek eine C++-Schnittstelle bereitstellt, ist sie leicht in die meisten robotischen Frameworks zu integrieren; zum Beispiel ROS oder Rock.
Internetseite: https://github.com/rock-learning/bolero
Schlüsselwörter: Maschinelles Lernen, Evolutionäre Algorithmen, Verhaltenslernen, Optimierung
Status: aktiv
Betriebssystem: Linux, MacOS, Windows
Programmiersprachen: C++, Python
Lizenz: BSD-3-Clause / New BSD
Eigentumsrechte: Diese Software wurde ursprünglich vom DFKI sowie der Arbeitsgruppe Robotik und der Universität Bremen entwickelt, wird aber jetzt auch von Dritten weiterentwickelt. Bei Fragen und Anregungen wenden sie sich an die Ansprechpartner.
 

Softwarebeschreibung

Das Ziel von BOLeRo ist es Verhaltenslernverfahren mit Lernproblemen zu kombinieren. BOLeRo stellt dabei Lernverfahren (Verhaltenssuche), Verhalten, Testumgebungen und Optimierungsverfahren bereit.

Die gesamte Kommunikation zwischen einem Verhalten und der Umgebung findet über Vektoren statt. Dies beinhaltet die Aktionen, die ein Verhalten ausführen möchte und die Sensorinformationen, die in der Umgebung aufgenommen werden.

Die Umgebung definiert das Problem, das wir lösen möchten. Es kapselt alles, das außerhalb des Verhaltenslernverfahren passiert, also
  • sie interpretiert die Aktionen und führt sie aus
  • sie kann Sicherheitsmechanismen beinhalten, die beispielsweise Geschwindigkeiten und Beschleunigungen begrenzen oder Kollisionen vermeiden
  • sie misst und interpretiert den Zustand des Systems, das aus Agent (zum Beispiel einem Roboter) und der realen Umgebung besteht
  • sie generiert das Feedback für den Lernalgorithmus
Die Verhaltenssuche versucht ein Verhalten zu finden, dass das Problem, das durch die Umgebung gestellt wird, auf optimale Weise löst. Das Verhalten erhält Eingeben von der Umgebung und seine Ausgaben werden zurück in die Umgebung gegeben, um das Problem zu lösen. Verhaltenssuchen optimieren oft Parameter der Verhalten. Dies kann durch verschiedene Verfahren passieren, die in BOLeRo implementiert sind.

Referenzen

Team: Team VII - Nachhaltige Interaktion & Lernen
Anwendungsfelder: Weltraumrobotik
Verwandte Projekte: BesMan
Behaviors for Mobile Manipulation (05.2012- 07.2016)
COROMA
Kognitiv verbesserter Roboter für flexible Herstellung von Metall- und Verbundteilen (10.2016- 09.2019)
LIMES
Lernen intelligenter Bewegungen kinematisch komplexer Laufroboter für die Exploration im Weltraum (05.2012- 04.2016)
Verwandte Robotersysteme: AILA
Mobile Dual-Arm-Manipulation
Charlie
iStruct Demonstrator
COMPI
Roboterarm mit nachgiebiger Regelung
SpaceClimber
Fördergeber: Bundesministerium für Wirtschaft und Technologie
Förderkennzeichen: 50 RA 1216, 50 RA 1217, 50 RA 1218, 50 RA 1219
© DFKI GmbH
zuletzt geändert am 03.01.2017
nach oben