Q-Rock
Modellbasierte Bestimmung und Validierung von wiederverwendbaren und übertragbaren Roboterverhalten

Roboter lernen aus ihrer Hardware heraus ihre Fähigkeiten und im Zusammenspiel mit dem Menschen deliberatives Verhalten. In Q-Rock wird entsprechend eine bidirektionale Abbildung von Hardware und Verhalten aufgebaut. Mit Hilfe von Q-Rock kann der Nutzer eines Systems dieses über eine gewünschte Verhaltensspezifikation erzeugen.
Laufzeit: | 01.08.2018 bis 31.07.2021 |
Zuwendungsempfänger: | Deutsches Forschungszentrum für Künstliche Intelligenz GmbH |
Fördergeber: | Bundesministerium für Bildung und Forschung |
Förderkennzeichen: | Dieses Projekt wird vom Bundesministerium für Bildung und Forschung gefördert (FKZ 01IW18003). |
Anwendungsfelder: |
Assistenz- und Rehabilitationssysteme
Agrarrobotik Elektromobilität Logistik, Produktion und Consumer SAR- & Sicherheitsrobotik Unterwasserrobotik Weltraumrobotik |
Verwandte Projekte: |
D-Rock
Modelle, Verfahren und Werkzeuge für die Modelbasierte Softwareentwicklung von Robotern
(06.2015-
05.2018)
|
Verwandte Robotersysteme: |
COMPI
Roboterarm mit nachgiebiger Regelung
Mobipick
|
Verwandte Software: |
Phobos
Ein Blender-Add-On zum Editieren und Export von Robotermodellen für die MARS-Simulation
BOLeRo
Behavior Optimization and Learning for Robots
Rock
Robot Construction Kit
HyRoDyn
Hybrid Robot Dynamics
|
Projektdetails
Das Ziel: Roboter lernen aus ihrer Hardware heraus ihre Fähigkeiten und im Zusammenspiel mit dem Menschen deliberatives Verhalten. In Q-Rock wird entsprechend eine bidirektionale Abbildung von Hardware und Verhalten aufgebaut. Mit Hilfe von Q-Rock kann der Nutzer eines Systems dieses über eine gewünschte Verhaltensspezifikation erzeugen.
Der Ansatz: Das Projekt Q-Rock implementiert Verfahren, die es dem Roboter erlauben ausgehend von seiner Hardwarekonfiguration die ihm zur Verfügung stehenden Fertigkeiten zu erforschen. Das Projekt Q-Rock setzt auf den Ergebnissen des D-Rock Projekts auf und benutzt die dort entstandene annotierte Hardware Datenbank. Die erlernten Fertigkeiten werden anschließend durch Verfahren des maschinellen Lernens oder durch die Anwendung von menschlichem Wissen in funktionelle Einheiten gruppiert. Zusammen mit einer semantischen Beschreibung werden daraus Cognitive Kerne, die als Bausteine für Verhalten angesehen werden können. Zur Realisierung dieser Schritte wird ein Lern-Framework konzipiert und implementiert welches evolutionäre Algorithmen, deep learning und analytische Ansätze nutzt, so dass ein Roboter seine Fertigkeiten rein auf der vorhandenen Sensorik, Aktuatorik und Software erforschen kann. Schließlich wird eine bidirektionale Abbildung zwischen Verhalten und Hardware geschaffen, indem Dialog-basierte Verfahren mit anderen Methoden zum strukturellen Schlussfolgern kombiniert werden.
Durch diese Schließung des Regelkreises von der Hardware zum Verhalten kann ein Nutzer einen Roboter rein über das beabsichtigte Verhalten spezifizieren, ohne dass er ein Experte für Sensorik, Aktorik oder Software sein muss.
Das Projekt wendet den Ansatz der kontinuierlichen Integration an: erst werden notwendige Schnittstellen spezifiziert, dann wird ein Gesamtsystem (mit Dummies) aufgesetzt, welches sich dann nach und nach mit den Projektergebnissen füllt.
Videos
Intrinsisches interaktives verstärkendes Lernen: Nutzung von Fehler-korrelierten Potentialen
Der Roboter lernt dank menschlichem Negativ-Feedback aus eigenem Fehlverhalten