Erfolgreich im Zukunftsfeld

Dorothea Koert ist seit 2016 wissenschaftliche Mitarbeiterin und Doktorandin am Informatik-Fachgebiet Intelligente Autonome Systeme der TU Darmstadt und promoviert zum Thema Interaktives maschinelles Lernen für intelligente Assistenz-Roboter.

Von 2010 bis 2016 studierte Koert Computational Engineering und Autonome Systeme (Bachelor und Master) an der TU Darmstadt. Sie arbeitete dabei in Robotik-Teams der TU Darmstadt mit, die mit selbstentwickelten Such- und Rettungsrobotern und autonomen Robotern mehrfach Weltmeister-Titel holten: von 2013 bis 2015 in der internationalen „Robot Rescue League“ jeweils den Sieg in der Kategorie „Best in Class Autonomy“, 2014 Platz eins beim „RoboCup“. Außerdem war sie Teil eines Robotik-Teams, das mit einem autonomen Inspektions-Roboter für den Einsatz auf Gas- und Ölförder-Plattformen in einem internationalen Wettbewerb erfolgreich abschnitt.

Woran forschen Sie?
Ich forsche an neuen interaktiven KI-Methoden, die menschliches Vorwissen und die Stärken von KI kombinieren. Dadurch kann KI, zum Beispiel nur durch Nachahmung, direkt von Menschen lernen. So werden KI-Anwendungen und Robotik für Nutzer im Alltag zugänglicher.

Die von mir entwickelten Methoden finden Anwendung in einer Pilotstudie zum Einsatz von intelligenten Assistenzrobotern für Senioren in einem bayrischen Altenheim sowie in der Entwicklung eines automatisierten Mercedes-Versuchsfahrzeug im adda4students-Projekt der TU Darmstadt.

weiterlesen

Wie stellen Sie sich das Zusammenleben und -arbeiten mit intelligenten Robotern in Zukunft vor?
Ich denke, der wichtigste Punkt ist, dass wir keine Roboter entwickeln, um Menschen zu ersetzen. Roboter sollen unterstützen und dabei Stärken von Menschen und KI synergetisch verbinden. So können in Zukunft vielleicht einmal intelligente Assistenzroboter älteren Menschen länger ein selbstständiges Leben in der eigenen Wohnung ermöglichen. Dafür ist es besonders wichtig, dass wir Technologien aus KI und Robotik auch für Alltagsnutzer zugänglich gestalten. Nur so können auch Nutzer ohne Vorkenntnisse Robotern neue Aufgaben beibringen.

Was können wir heute schon tun, um das wahrscheinlicher zu machen?
Vor allem im Bereich interaktive KI, also einer KI, die nicht alleine, sondern im Zusammenspiel mit Nutzern und Nicht-KI-Experten lernt, können wir heute schon durch Grundlagenforschung an der Uni wichtige Schritte gehen. Wichtig ist dabei vor allem, Robotik und KI-Systeme aus den Uni-Laboren in Kontakt mit echten Nutzern zu bringen. Dadurch schaffen wir schnellere Feedbackzyklen beim Design der Algorithmen und Nutzerschnittstellen.

Was macht für Sie als junge Forscherin ein attraktives und motivierendes Arbeitsumfeld aus?
Neben der Verknüpfung von algorithmischem Design und realer Praxisanwendung motiviert mich vor allem die Möglichkeit zu interdisziplinärem Austausch mit Kollegeinnen und Kollegen und Industriepartnern. Besonders das Center für Cognitive Science der TU Darmstadt ermöglicht stark interdisziplinäre Zusammenarbeit in einem Team aus Informatikern, Kognitionswissenschaftlern und Psychologen. Für die Erforschung von interaktiver KI und Robotik ergibt das für mich ein tolles und motivierendes Arbeitsumfeld.

Michael Lutter ist seit 2017 wissenschaftlicher Mitarbeiter am Informatik-Fachgebiet Intelligente Autonome Systeme der TU Darmstadt und promoviert über Deep Learning für intelligente Roboter. Zuvor forschte er an der TU München für das Human Brain Project zu biologisch inspirierten Lernalgorithmen.

Seinen Master-Abschluss in Elektrotechnik hat Michael Lutter an der TU München abgeschlossen und zuvor das Bachelor-Studium Wirtschaftsingenieurwesen an der Universität Duisburg-Essen absolviert. Ein Auslandsaufenthalt führte ihn an das Massachusetts Institute of Technology (MIT). Praktische Berufserfahrung sammelte Michael Lutter bei internationalen Großunternehmen und er wurde für seine akademischen Leistungen mehrfach mit Stipendien ausgezeichnet.

Woran forschen Sie?
Ich entwickle spezielle Deep-Learning-Algorithmen für Roboter. Dabei kombiniere ich Wissen aus der Physik und der Regelungstechnik mit Deep Learning und erziele dadurch, dass meine gelernten Modelle die grundlegenden Prinzipien der Physik und Robotik einhalten und somit auf dem physikalischen Roboter ausführbar sind. Standard -Deep-Learning-Ansätze sind meistens nur in der Simulation anwendbar, da diese die physikalischen Prinzipien nicht unbedingt einhalten und somit den Roboter schädigen können. Daher erlaubt es dieser neuartige Forschungsansatz, die KI-Technologie Deep Learning aus dem Bereich der Big-Data-Datensätze auf intelligente physikalisch-technische Systeme zu übertragen. Dies ist eine wichtige Voraussetzung, um Deep Learning in der KI-basierten Industrie 5.0 und der Robotik anwenden zu können.

weiterlesen

Was unterscheidet die Algorithmen für Big-Data-Analysen von denen in der Robotik?
Big-Data-Analysen und Robotik unterscheiden sich in zwei grundlegenden Aspekten: der Anzahl der Daten und den Auswirkungen schlechter Vorhersagen. Während es bei Big-Data-Anwendungen sehr viele Datenpunkte gibt, gibt es in der Robotik meistens nur einen einzelnen Roboter, der Daten in Echtzeit generieren kann. Daher müssen die Lernalgorithmen in der Robotik mit viel weniger Daten auskommen. Weiterhin sind die Folgen von schlechten Entscheidungen in den meisten Big-Data-Analysen gering. Wenn der Nutzer eine unpassende Werbung angezeigt bekommt, sind die Auswirkungen auf den Kunden oft vernachlässigbar. Wenn aber ein Industrieroboter aufgrund einer schlechten Vorhersage sich selbst oder der Produktionsstraße einen Schaden zufügt, steht schnell die ganze Produktion still und der Schaden wird sehr groß. Daher fokussiere ich mich bei meiner Forschung auf das Lernen von robusten Repräsentationen mit wenigen Daten, um so die Anwendung auf dem physikalischen Roboter zu ermöglichen.

Ihre Forschung wird von ABB und NVIDIA unterstützt. Haben Sie durch die Zusammenarbeit einen anderen Blick auf Ihre Forschung erhalten?
Ja, gerade durch die Kooperation mit Unternehmen erhält man ganz neue Einblicke in die industriellen Herausforderungen. Durch die Interaktionen lernt man erst einmal, an welchen Aspekten der Transfer von existierenden Lernalgorithmen in die Industrie scheitert und kann gezielt versuchen seine Forschung so zu erweitern, dass der Transfer in die Industrie vereinfacht wird.

Was macht für Sie als junger Forscher ein attraktives und motivierendes Arbeitsumfeld aus?
Für mich sind die Ausstattung der Labore, die vorhandenen Computing-Ressourcen und vor allem die motivierten Kollegen, Professoren und Studierenden ausschlaggebend. Neben der sehr guten Ausstattung an Robotern und Computing-Ressourcen an der TU Darmstadt haben wir im Fachgebiet auch ein sehr motiviertes und interdisziplinäres Team. Erst durch dieses motivierte Team können wir unsere Probleme aus verschiedenen Perspektiven betrachten und so Forschung auf hohem internationalen Niveau durchführen. Natürlich kann man als junger Forscher auch nicht die finanzielle Planbarkeit vernachlässigen, welche aufgrund der Unsicherheit von Drittmitteln oft gering ist. Aber erst diese Sicherheit ermöglicht es, sich nicht nur auf inkrementelle Verbesserungen, sondern auch auf vielversprechende, jedoch riskantere Forschungsthemen zu fokussieren.

Die Fragen stellten Anne Grauenhorst und Jörg Feuck.