Heutige Roboter werden so programmiert, dass sie wenige Aufgaben viele tausende Male wiederholen. Um Roboter vielseitiger und flexibler einsetzbar zu machen, müssen sie allerdings künftig in der Lage sein, Tausende von Aufgaben nur einige wenige Male auszuführen. Aber einen Roboter so zu programmieren, dass er auch nur eine komplexe motorische Aufgabe löst, ist nach wie vor eine herausfordernde, kostspielige und zeitaufwändige Aufgabe für menschliche Programmierer – künstliche Intelligenz kommt in der Praxis selten zum Einsatz. Tatsächlich ist die manuelle Programmierung zum Hauptengpass beim Einsatz von Robotern geworden. Die Befähigung von Robotern mit einem künstlich-intelligenten Ansatz zum autonomen Lernen solcher Aufgaben steht im Mittelpunkt des neuen ERC-Proof-of-Concept-Projekts „AssemblySkills“. Es soll nachweisen, dass ein autonomes intelligentes System zum Erlernen von Fertigkeiten Roboter in die Lage versetzen kann, eine Vielzahl von motorischen Fähigkeiten für spezifische Anwendungen zu erwerben und zu verbessern.

ERC-Proof-of-Concept-Projekt „AssemblySkills“

Das ERC-Proof-of-Concept-Projekt „AssemblySkills“ baut auf den Methoden der künstlichen Intelligenz auf, die im Rahmen des ERC Starting Grants „SKILLS4ROBOTS – Policy Learning of Motor Skills for Humanoid Robots“ entwickelt wurden. Dieses Projekt führte zu einer strukturierten, modularen Steuerungsarchitektur, die das Potenzial hat, das Roboterlernen auf komplexere Aufgaben in der realen Welt zu skalieren.In dieser modularen Steuerungsarchitektur werden elementare Bausteine – Bewegungsprimitive genannt – gleichzeitig angepasst, sequenziert oder koaktiviert, um die Aufgaben des Roboters zu erfüllen.

Ziel des nun mit dem Proof of Concept Grant ausgezeichneten Vorhabens „AssemblySkills“ ist es, diese Module zu einem kompletten Softwarepaket zusammenzufassen, das anwendungsgesteuerten Robotern das Erlernen neuer Fähigkeiten – insbesondere bei Montageaufgaben – ermöglicht. Die Forschung im Rahmen des Grants zielt auf ein kosteneffektives, neuartiges maschinelles Lernsystem ab, das das Potenzial von Fertigungsrobotern freisetzen kann, indem es sie in die Lage versetzt, parametrisierte Bausteine, wie zum Beispiel Bewegungsprimitive, auswählen, anpassen und sequenzieren zu lernen. Der Ansatz des Forschungsteams um Professor Jan Peters ist insofern einzigartig, als dass er mehr als nur eine einzige gewünschte Bahn erfassen kann, wie dies bei konkurrierenden Ansätzen der Fall ist, die Anpassung von Richtlinien erspart, nur wenige Daten benötigt und dem Roboterbedienenden die Lösung erklären kann.