Skill generalisation and experience acquisition for predicting and avoiding execution failures

• Fähigkeitsgeneralisierung und Erfahrungserwerb zum Vorhersagen und Vermeiden von Ausführungsfehlern

Mitrevski, Aleksandar (Alex); Lakemeyer, Gerhard (Thesis advisor); Plöger, Paul G. (Thesis advisor); Beetz, Michael (Thesis advisor)

Aachen : RWTH Aachen University (2023)
Doktorarbeit

Dissertation, RWTH Aachen University, 2023

Kurzfassung

Um verschiedene Aufgaben in ihrem Umfeld zu erledigen, werden autonome Roboter mit Fähigkeiten ausgestattet, die ausgeführt und kombiniert werden können. Roboterfähigkeiten sind oft so entwickelt, damit sie flexibel erworben werden; nicht berücksichtigt sind aber Ausführungsfehler, die eventuell positive Auswirkung der Fehleranalyse auf den Fähigkeitserwerb, oder die Vorteile der Roboter-Selbstwahrnehmung für eine effektive Koexistenz mit Menschen in dem Umfeld des Roboters. Besonders in menschzentrierten Umfeldern ist die Vertrauenswürdigkeit eines Roboters, und somit auch die Akzeptanz, davon abhängig, ob der Roboter seine Fehler effektiv verstehen, erklären, und beseitigen kann. In dieser Doktorarbeit untersuchen wir zwei Hauptfragen in diesem Zusammenhang, nämlich (i) wie können parametrisierte Fähigkeiten entwickelt werden, damit die Entscheidungen eines Roboters auf der Ausführungsebene mit semantischem Wissen über den Ausführungsprozess verbunden sind und (ii) wie kann dieses Wissen eingesetzt werden, damit der Roboter Ausführungsfehler vermeiden und analysieren kann. Im ersten Teil dieser Arbeit entwickeln wir eine Repräsentation zur Fähigkeitsparametrierung, mit dem Ziel die Transparenz des Parametrierungsprozesses zu verbessern und eine semantische Analyse von Ausführungsfehlern zu ermöglichen. Hierfür beschreiben wir eine hybride lernbasierte Repräsentation zur Parametrierung, auch Ausführungsmodell genannt; ein Ausführungsmodell stellt eine Kombination aus qualitativen Erfolgsvoraussetzungen und einer Funktion, die den Erfolg der Ausführungsparameter voraussagt, dar. Im zweiten Teil der Arbeit diskutieren wir Anwendungen von Ausführungsmodellen im Kontext von verschiedenen Ausführungsfehler-Typen. Erstens stellen wir vor (i) einen Algorithmus zur Diagnose von Parametrierungsfehlern, der eine Fehlerhypothese sucht, die gegen die Erfolgsvoraussetzungen verstößt, und (ii) einen Algorithmus zur Erfahrungskorrektur, der Anhand der Fehlerhypothese alternative Ausführungsparameter sucht, die den Fehler mit höher Wahrscheinlichkeit beheben können. Darüber hinaus diskutieren wir eine Erweiterung von Ausführungsmodellen, damit qualitative Ausführungskontexte berücksichtigt und kontextspezifische Fehler vermieden werden können. Schließlich stellen wir eine adaptive ontologiebasierte Methode zur Generalisierung von Ausführungsmodellen zwischen Gegenstandskategorien vor. Dafür werden Informationen über die Ähnlichkeit zwischen Gegenstandskategorien, die aus einer Ontologie stammen, mit Ergebnissen aus Modelgeneralisierungsversuchen, die der Roboter ausführt, integriert; somit werden verschiedene Vorteile von model- und datenbasierten Verfahren kombiniert. Die beschriebenen Methoden werden durch verschiedene Anwendungsfälle erläutert - das Greifen von Gegenständen und Schubladengriffen, Gegenstandverstauen in Schubladen, Ziehen von Gegenständen, und die Übergabe eines Gegenstands an einer Person - und in mehreren Roboterexperimenten ausgewertet. Die Hauptbeiträge dieser Arbeit sind (i) eine Formalisierung des Fähigkeitsparametrierungsproblems, die Ausführungsfehler als integraler Bestandteil der Fähigkeitsentwickulung und des Fähigkeitserwerbs berücksichtigt, (ii) eine Demonstration, dass eine hybride Repräsentation zur Parametrierung die Selbstwahrnehmung eines Roboters verbessern kann, und (iii) eine ausführliche Evaluierung der entwickelten Methoden. Wir glauben, dass diese Arbeit einen erster kleinen Schritt zu fehlerbewussteren Robotern schafft, die damit geeigneter für menschzentrierte Anwendungen sind.

Einrichtungen

• Fachgruppe Informatik [120000]
• Lehr- und Forschungsgebiet Informatik 5 (Wissensbasierte Systeme) [121920]