Advanced AI - Mechanics & Control
Das Ziel des Teams Mechanics & Control ist es
dynamische Roboter zu entwickeln, die sich in der realen Welt bewegen und mir ihr interagieren können, und zwar mit einer Anmut, Agilität und Robustheit die denen von Menschen und Tieren ähnelt.
Im Bereich der Mechanik umfasst dies die Erforschung neuartiger Prinzipien für das Roboterdesign, wie beispielsweise parallele und nachgiebige oder flexible Mechanismen, zusammen mit einer rigorosen Analyse und mathematischen Modellierung in Bezug auf Geometrie, Kinematik und Dynamik. Um dies zu erreichen, wollen wir ein umfassendes Verständnis dafür entwickeln, wie dynamische Roboter mit ihrer Umgebung interagieren, und realistische und rechnerisch handhabbare Modelle dieser Interaktion erstellen, beispielsweise unter Berücksichtigung von extremen Kontaktkräften, Reibung oder Roll-/Rutschkontakten.
Im Bereich der Robotersteuerung sind wir gleichermaßen daran interessiert, den Zustand des Roboters aus unvollständigen und verrauschten Sensordaten vorherzusagen sowie dynamische Bewegungen in realen Umgebungen zu planen und zu stabilisieren, zum Beispiel Gehen, Laufen, Springen und Hangeln. Dabei nutzen wir sowohl modellbasierte (optimale Steuerung, hybride Optimierung, Ganzkörpersteuerung) als auch lernbasierte (RL, datengetriebene) Ansätze sowie Kombinationen aus beiden. Unteraktuierte Roboter wie Vierbeiner und Humanoide sind in dieser Hinsicht besonders interessant, da sie aufgrund ihrer hybriden Dynamik eine Herausforderung für die Steuerung darstellen.
Teamleitung: Dr.-Ing. Dennis Mronga
Stellvertretung: Dr. Melya Boukheddimi
Aktuelle Forschungsergebnisse
In jüngster Zeit konnte das Mechanics & Control-Team des DFKI RIC Fortschritte und Erkenntnisse im Bereich der modellbasierten Steuerung von Roboterlaufsystemen, Co-Design und Reinforcement Learning für unteraktuierte Systeme präsentieren.
QP Benchmark Es gibt eine Vielzahl modellbasierter Methoden zur Laufsteuerung von Robotern. Viele davon, wie die modellprädiktive Steuerung oder Whole-Body Control, nutzen Optimierungsverfahren, meist quadratische Programmierung (QP). Die Entwicklung der Steuerung erfordert die Formulierung eines QPs und die Auswahl eines geeigneten Lösers, was sowohl Zeit als auch viel Expertise erfordert. Um diesen Aufwand zu verringern, haben wir kürzlich auf der IEEE International Conference on Robotics and Automation (ICRA 2025) einen umfangreichen Benchmark vorgestellt: Benchmarking Different QP Formulations and Solvers for Dynamic Quadrupedal Walking (F. Stark et al.). In dieser Arbeit vergleichen wir dichte und spärliche QP-Formulierungen sowie mehrere Lösungsmethoden auf verschiedenen Hardware-Architekturen, wobei wir uns auf die Recheneffizienz konzentrieren.
Adaptive Model-Basierte Regelung Ein großer Nachteil modellbasierter Regelungen ist ihre inhärente Abhängigkeit von einem genauen Systemmodell. Dieses Modell ist häufig fest vorgegeben, was die Anwendbarkeit der Regelung in verschiedenen Anwendungen einschränkt. Auf der IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025) haben wir einen adaptiven Regelungsansatz vorgestellt: Adaptive Model-Based Control of Quadrupeds via Online System Identification using Kalman Filter (J. Haack et al.). Mit dieser Methode konnten wir die Masse und den Schwerpunkt eines vierbeinigen Roboters online identifizieren, was zu einer verbesserten Tracking Performance des modellbasierten Reglers führt, wenn der Roboter unterschiedliche Nutzlasten transportiert.
Co-Design für Roboter mit Parallelkinematiken In modernen Robotersystemen können mechanisches Design und Regelung nicht unabhängig voneinander betrachtet werden. Co-Design-Methoden bieten zweistufige Formulierungen, um das Design und Verhalten von Robotern für bestimmte Aufgaben gleichzeitig zu optimieren. Auf der IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025) haben wir eine erste Co-Design-Formulierung vorgestellt, die parallel Kopllungen explizit in das dynamische Modell des Roboters einbezieht: Parallel Transmission Aware Co-Design: Enhancing Manipulator Performance Through Actuation-Space Optimization (R. Kumar et al.). Durch die Modellrepräsentation im Aktuierungsraum des Roboters führt dieser Ansatz zu einer deutlichen Steigerung der dynamischen Nutzlastkapazität bei Manipulatoren mit geschlossenen Regelkreisen im Vergleich zur Co-Design-Implementierung für rein serielle Roboter.
Parallelübertragungsbewusstes Co-Design
Verbesserung der Manipulatorleistung durch Optimierung des Aktuatorraums. Authors: Rohit Kumar, Melya Boukheddimi, Dennis Mronga, Shivesh Kumar, and Frank Kirchner
AI Olympics Wettbewerb Im Bereich der Robotik werden viele verschiedene Ansätze entwickelt und aus anderen Bereichen übernommen, um eine zuverlässige Steuerung bei vielfältigen Aufgaben zu erreichen. Diese reichen von der klassischen Planung über die optimale Steuerung bis hin zum verstärkenden Lernen (RL). Es fehlen jedoch standardisierte, realitätsnahe Benchmarks, um die Stärken und Schwächen der einzelnen Ansätze zu bewerten. Das RealAIGym-Projekt hat eine Reihe reproduzierbarer Roboter-Hardwareplattformen entwickelt, um eine Grundlage für die Anwendung dynamischer Steuerungsalgorithmen auf realer Hardware zu schaffen. Eine dieser Plattformen, das unteraktuierte Doppelpendel, wurde im Wettbewerb AI Olympics with RealAIGym eingesetzt. Der Wettbewerb fand im Rahmen der IROS 2024 Konferenz statt, um verschiedene RL-basierte Steuerungen hinsichtlich ihrer Fähigkeit zu bewerten, ein dynamisches Steuerungsproblem auf dem Doppelpendelsystem mit chaotischer Dynamik zu lösen. Die Ergebnisse wurden im Robotics and Automation Magazine veröffentlicht: Reinforcement Learning for Robust Athletic Intelligence: Lessons from the 2nd ‚AI Olympics with RealAIGym‘ Competition
RealAIGym: 2. KI-Olympiade mit Wettbewerb
Verstärkendes Lernen für robuste athletische Intelligenz: Erkenntnisse aus den zweiten KI-Olympiaden mit dem RealAIGym-Wettbewerb. Autoren: Felix Wiebe, Niccolò Turcato, Alberto Dalla Libera, Jean Seong Bjorn Choe, Bumkyu Choi, Tim Lukas Faust, Habib Maraqten, Erfan Aghadavoodi, Marco Cali, Alberto Sinigaglia, Giulio Giacomuzzo, Ruggero Carli, Diego Romeres, Jong-kook Kim, Gian Antonio Susto, Shubham Vyas, Dennis Mronga, Boris Belousov, Jan Peters, Frank Kirchner, and Shivesh Kumar