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

Anwendungsfelder: Weltraumrobotik
Verwandte Projekte: HARTU
Handling with AI-enhanced Robotic Technologies for flexible ManUfacturing (01.2023- 12.2025)
BesMan
Behaviors for Mobile Manipulation (05.2012- 07.2016)
COROMA
Cognitively enhanced robot for flexible manufacturing of metal and composite parts (10.2016- 09.2019)
TransFIT
Flexible Interaction for infrastructures establishment by means of teleoperation and direct collaboration; transfer into industry 4.0 (07.2017- 12.2021)
Q-Rock
AI-based Qualification of Deliberative Behaviour for a Robotic Construction Kit (08.2018- 07.2021)
KiMMI-SF
Adaptive software framework for context-sensitive, intuitive man-machine-interaction (06.2020- 12.2023)
EXPECT
Exploring the Potential of Pervasive Embedded Brain Reading in Human Robot Collaborations (06.2020- 05.2024)
HaLeR
Detection of action deviations through learning with limited computing resources (08.2020- 12.2022)
M-Rock
Human-Machine Interaction Modeling for Continuous Improvement of Robot Behavior (08.2021- 07.2024)
NoStrandAMust
Learning Ground Interaction Models to Increase the Autonomy of Mobile Robotic Exploration Systems (02.2022- 01.2025)
LIMES
Learning Intelligent Motions for Kinematically Complex Robots for Exploration in Space (05.2012- 04.2016)
HARTU
Handling with AI-enhanced Robotic Technologies for flexible ManUfacturing (01.2023- 12.2025)
Q-Rock
Modellbasierte Bestimmung und Validierung von wiederverwendbaren und übertragbaren Roboterverhalten (08.2018- 07.2021)
TransFIT
Flexible Interaktion für Infrastrukturaufbau mittels Teleoperation und direkte Kollaboration und Transfer in Industrie 4.0 (07.2017- 12.2021)
KiMMI-SF
Adaptives Softwareframework für Kontextabhängige intuitive Mensch-Maschine-Interaktion (06.2020- 12.2023)
EXPECT
Exploring the Potential of Pervasive Embedded Brain Reading in Human Robot Collaborations (06.2020- 05.2024)
HaLeR
Erkennung von Handlungsabweichungen durch Lernen mit eingeschränkten Rechenressourcen (08.2020- 12.2022)
M-Rock
Modellierung der Mensch-Maschine-Interaktion zur kontinuierlichen Verbesserung des Roboterverhaltens (08.2021- 07.2024)
NoStrandAMust
Lernen von Bodeninteraktionsmodelle zur Erhöhung des Autonomiegrades mobiler Explorations-Robotersysteme (02.2022- 01.2025)
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
SpaceClimber
COMPI
Compliant Robot Arm
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 16.11.2023
nach oben