M-Rock
Modellierung der Mensch-Maschine-Interaktion zur kontinuierlichen Verbesserung des Roboterverhaltens
M-Rock ist Teil der X-Rock Entwicklungen, die es Anwendern ermöglichen sollen, persönliche Assistenten ohne jegliches Expertenwissen zu entwerfen, und Domänenexperten bei der Identifizierung von Verbesserungsmöglichkeiten eines Systems unterstützen. M-Rock baut auf den Ergebnissen von D-Rock und Q-Rock auf. Lösungen zur Modularisierung und Modellierung, die in D-Rock entwickelt wurden, ermöglichen eine effiziente Wiederverwendung von Komponenten und beschreiben, wie Komponenten in einem bestimmten Kontext verwendet werden können. Q-Rock bildet automatisch die strukturelle Hardware- und Softwarekomplexität aktueller Robotersysteme auf Verhaltensweisen ab. Das Hauptziel von M-Rock ist es, die Nutzung von Benutzerfeedback zu ermöglichen, um nicht nur das Verhalten auf der Softwareseite im Hinblick auf die individuellen Anforderungen des Anwenders zu optimieren, sondern auch eine nachträgliche Optimierung des Q-Rock Softwareablaufs hinsichtlich der Hardwareauswahl zu realisieren. M-Rock ermöglicht damit eine automatische Anpassung eines Roboters an die individuellen Anforderungen und Vorlieben des interagierenden Menschen. Zu diesem Zweck wird explizites Feedback (z. B. Ratingskala zur Leistungsbewertung) mit implizitem Feedback kombiniert. Als Quelle für implizites menschliches Feedback macht M-Rock Gebrauch von den EEGs der Benutzer. Anhand von zwei verschiedenen Szenarien werden die Entwicklungen in M-Rock evaluiert, um sicherzustellen, dass die Entwicklungen in M-Rock sowohl von Laien als auch von Domänenexperten gleichermaßen nutzbar sind.
Projektdetails
Die aktuellen Entwicklungen in der Digitalisierung, der KI-basierten Datenverarbeitung und leistungsfähiger Hardware legen den Grundstein für zukünftige Roboter als verkörperte KI-Assistenten. Diese intelligenten Roboter müssen vielseitig, adaptiv und flexibel in Bezug auf Veränderungen in der Umgebung oder den Anforderungen sein, um für ihren Zweck der Unterstützung im Alltag und bei der Arbeit optimiert zu werden. Außerdem müssen sie auf die Bedürfnisse des Nutzers zugeschnitten sein, um eine hohe Akzeptanz zu erreichen und den Wunsch nach Individualität zu erfüllen. Der Anwender will entscheiden, wie ein System aussehen und sich verhalten soll. Dies gilt nicht nur für die persönliche Assistenz im Alltag, sondern auch für die Zusammenarbeit von Robotern und Menschen in Produktion, Logistik oder Pflege. Darüber hinaus sollen individuell zugeschnittene Roboter vom Anwender einfach gestaltet und möglichst automatisch während des Einsatzes an veränderte Bedürfnisse oder beobachtete neue Anforderungen angepasst werden.
Die X-Rock Serie adressiert genau diese Aspekte. X-Rock ermöglicht es Anwendern, ihren persönlichen Assistenten ohne jegliches Expertenwissen zu entwerfen, aber hilft auch Domänenexperten bei der Identifizierung von Verbesserungsmöglichkeiten eines Systems. Methoden der Modularisierung und Modellierung, die in D- Rock entwickelt wurden, ermöglichen eine effiziente Wiederverwendung von Komponenten und beschreiben, wie Komponenten in einem bestimmten Kontext verwendet werden können. Q-Rock bildet automatisch die strukturelle Hardware- und Softwarekomplexität aktueller Robotersysteme auf Verhaltensweisen ab.
M-Rock wird direkt auf den Ergebnissen von D-Rock und Q-Rock aufbauen. Sein Hauptziel ist es, die Nutzung von explizitem und implizitem Benutzerfeedback zu ermöglichen, um nicht nur das Verhalten auf der Softwareseite im Hinblick auf die individuellen Anforderungen des Anwenders zu optimieren, wie im Ausblick von Q-Rock gezeigt, sondern auch eine nachträgliche Optimierung des Q-Rock Softwareablaufs einschließlich der Hardwareauswahl zu realisieren. M-Rock ermöglicht es einem Anwender, Roboter individuell zu gestalten und, wenn möglich, automatisch während des Einsatzes an veränderte Bedürfnisse oder beobachtete neue Anforderungen anzupassen.
Das Ziel von M-Rock ist die Entwicklung eines Frameworks zur kontinuierlichen Anpassung und Verbesserung des Roboterverhaltens durch die Nutzung menschlichen Feedbacks. Um das Verhalten eines Roboters basierend auf menschlichem Feedback während der Mensch-Maschine-Interaktion kontinuierlich zu verbessern, wird eine geschlossene Feedbackschleife zur Aktualisierung des Roboterverhaltens eingerichtet, so dass M-Rock eine sicherere Integration in gemischten Teams ermöglicht und die Grundlage für eine kontinuierliche Reaktion auf das Feedback von Bedienern, menschlichen Mitarbeitern oder Kunden bietet. Da das Roboterverhalten sowohl von Software als auch von Hardware abhängt, ist die Anpassung
des Verhaltens in M-Rock nicht auf Softwareänderungen beschränkt, sondern kann auch Änderungen des Hardwaredesigns erfordern. Daher wird M-Rock auch Methoden und Strategien für eine effektive, ganzheitliche Anpassung von Systemen untersuchen, die als sogenanntes Roundtrip-Tooling zur Verfügung gestellt werden, um schließlich vom menschlichen Feedback zu den erforderlichen strukturellen und funktionalen Änderungen zu gelangen.
Um eine automatische Adaption eines Roboters an die individuellen Anforderungen und Vorlieben des interagierenden Menschen zu ermöglichen, soll in M-Rock explizites Feedback (d.h. Feedback auf Basis einer Bewertungsskala zur Leistungsbeurteilung) mit implizitem Feedback kombiniert werden. Als Quelle für implizites menschliches Feedback werden in M-Rock die EEGs der Benutzer ausgewertet, um Muster in EEG zu erkennen, die mit der Wahrnehmung von Fehlern korrelieren bzw. von diesen ausgelöst werden. Anhand von zwei verschiedenen Evaluationsszenarien werden wir zeigen, wie die Entwicklungen in M-Rock durch die Nutzung von explizitem und implizitem menschlichen Feedback innerhalb des Q-Rock-Zyklus zur Optimierung von Soft- und Hardware eines Roboters sowohl von Laien als auch von Domänenexperten genutzt werden können.
Videos
RicMonk: Ein dreigliedriger Hangelroboter mit passiven Greifern für eine energieeffiziente Hangelbewegung
In diesem Beitrag werden das Design, die Analyse und die Leistungsbewertung von RicMonk vorgestellt, einem neuartigen dreigliedrigen Hangelroboter, der mit passiven hakenförmigen Greifern ausgestattet ist. Das Hangeln, eine wendige und energieeffiziente Art der Fortbewegung, die bei Primaten beobachtet wird, hat die Entwicklung von RicMonk inspiriert, um vielseitige Fortbewegung und Manöver auf leiterartigen Strukturen zu erforschen. Die anatomische Ähnlichkeit des Roboters mit Gibbons und die Integration eines Schwanzmechanismus zur Energiezufuhr tragen zu seinen einzigartigen Fähigkeiten bei. Der Beitrag beschreibt die Verwendung der Methode der direkten Kollokation zur Optimierung der Trajektorien für das dynamische Verhalten des Roboters und die Stabilisierung dieser Trajektorien mithilfe eines zeitvariablen linearen quadratischen Reglers. Mit RicMonk demonstrieren wir bidirektionales Hangeln und bieten eine vergleichende Analyse mit seinem Vorgänger AcroMonk, einem zweigliedrigen Hangelroboter, um zu zeigen, dass das Vorhandensein eines passiven Schwanzes die Energieeffizienz verbessert. Das Systemdesign, die Steuerungen und die Software-Implementierung sind auf GitHub öffentlich zugänglich.
M-RoCK+VeryHuman: Whole-Body Control of Series-Parallel Hybrid Robots
Das Video illustriert die Ergebnisse der Arbeit Dennis Mronga, Shivesh Kumar, Frank Kirchner: "Whole-Body Control of Series-Parallel Hybrid Robots", Accepted for Publication: IEEE International Conference on Robotics and Automation (ICRA), 23.5.-27.5.2022, Philadelphia, 2022.
RH5 Manus: Robotertanzgenerierung basierend auf musikanalysegesteuerter Trajektorienoptimierung
Musikalisches Tanzen ist ein allgegenwärtiges Phänomen in der menschlichen Gesellschaft. Die Fähigkeit von Robotern zu tanzen hat das Potenzial, die Koexistenz von Mensch und Roboter akzeptabler zu machen. Daher haben tanzende Roboter in den letzten Jahren ein erhebliches Forschungsinteresse geweckt. In diesem Beitrag stellen wir eine neuartige Formalisierung des Robotertanzes als Planung und Steuerung von optimal getakteten Aktionen vor, die auf
Taktzeiten und zusätzlichen, aus der Musik extrahierten Merkmalen. Wir zeigen die Anwendung dieser Formulierung in drei verschiedenen Varianten: mit der Eingabe einer Choreografie durch einen menschlichen Experten, der Imitation einer vordefinierten Choreografie und der automatischen Generierung einer neuen Choreografie. Unsere Methode wurde an vier verschiedenen Musikstücken validiert, sowohl in der Simulation als auch an einem realen Roboter, dem humanoiden Oberkörperroboter RH5 Manus.
RH5 Manus: Hintergründe der Robotertanzgenerierung basierend auf musikanalysegesteuerter Trajektorienoptimierung
RH5 Manus: Vorstellung eines leistungsfähigen humanoiden Oberkörperdesigns für dynamische Bewegungen
Jüngste Studien deuten darauf hin, dass eine steife Struktur zusammen mit einer optimalen Massenverteilung die Schlüsseleigenschaften sind, um dynamische Bewegungen auszuführen, und dass parallele Designs einem Roboter diese Eigenschaften verleihen. In dieser Arbeit wird das neue Oberkörperdesign des humanoiden Roboters RH5, genannt RH5 Manus, mit seriell-parallelem Hybriddesign vorgestellt. Die neuen Konstruktionsentscheidungen ermöglichen es uns, dynamische Bewegungen auszuführen, einschließlich Aufgaben, die eine Nutzlast von 4 kg in jeder Hand erfordern,
und schnelle Box-Bewegungen. Die parallele Kinematik in Kombination mit einer seriellen Gesamtkette des Roboters ermöglicht uns eine hohe Krafterzeugung bei einem größeren Bewegungsbereich und einer geringen peripheren Trägheit. Der Roboter ist mit Kraft-Drehmoment-Sensoren, Stereokamera, Laserscannern, hochauflösenden Encodern usw. ausgestattet, die eine Interaktion mit dem Bediener und der Umgebung ermöglichen. Wir generieren verschiedene dynamische Bewegungen mit Hilfe von Bahnoptimierung und führen sie erfolgreich auf dem Roboter mit genauer Bahn- und Geschwindigkeitsverfolgung aus, wobei wir die Grenzen für Rotation, Geschwindigkeit und Drehmoment der Gelenke einhalten.
RH5 Manus: Humanoider Assistenzroboter für zukünftige Weltraummissionen
Der humanoide Roboter "RH5 Manus" wurde im Rahmen des "TransFIT"-Projekts als Assistenzroboter entwickelt, der in der direkten menschlichen Umgebung, zum Beispiel auf einer zukünftigen Mondstation, eingesetzt werden kann. Ziel war es, den Roboter mit den notwendigen Fähigkeiten auszustatten, um komplexe Montagearbeiten sowohl autonom, als auch in Kooperation mit Astronauten und teleoperiert durchzuführen. Ein weiterer Schwerpunkt des Projekts lag auf der Übertragung der entwickelten Technologien auf die industrielle Fertigung und Produktion. Das Video zeigt die mechanische Montage und die Inbetriebnahme des Roboters.
RH5: Motion Capture State Feedback für die Echtzeitsteuerung eines humanoiden Roboters
Das Video veranschaulicht die Ergebnisse der Veröffentlichung Mihaela Popescu, Dennis Mronga, Ivan Bergonzani, Shivesh Kumar, Frank Kirchner: "Experimental Investigations into Using Motion Capture State Feedback for Real-Time Control of a Humanoid Robot", zur Veröffentlichung angenommen: MDPI Sensors Journal, Sonderausgabe "Advanced Sensors Technologies Applied in Mobile Robot", 2022.
RH5: Entwurf, Analyse und Steuerung des Serien-Parallel-Hybridroboters RH5 Humanoid
In diesem Beitrag wird ein neuartiger seriell-paralleler Hybrid-Humanoid namens RH5 vorgestellt, der 2 m groß ist und nur 62,5 kg wiegt und in der Lage ist, schwere dynamische Aufgaben mit 5 kg Nutzlast in jeder Hand auszuführen. Die Analyse und Steuerung dieses Humanoiden wird mit einer Ganzkörper-Trajektorien-Optimierungstechnik durchgeführt, die auf differentieller dynamischer Programmierung (DDP) basiert. Zusätzlich stellen wir einen verbesserten kontaktstabilitätsabhängigen DDP-Algorithmus vor, der in der Lage ist, physikalisch konsistente Lauftrajektorien für den Humanoiden zu generieren, die über eine einfache PD-Positionskontrolle in einem Physiksimulator verfolgt werden können. Schließlich präsentieren wir erste experimentelle Ergebnisse mit dem humanoiden Roboter RH5.