Damit Roboter in Zukunft flexible und sichere KI-Assistenten sein können, müssen sie sich an unterschiedlichste Umgebungen und Anforderungen anpassen – sei es in der Produktion, der Logistik, der Pflege oder im Alltag. Ob Menschen sie akzeptieren, hängt entscheidend von der Möglichkeit ab, sie individuell zu gestalten. Genau hier setzte das inzwischen abgeschlossene, vom Bundesministerium für Bildung und Forschung (BMBF) geförderte Projekt M-Rock an. Es ist Teil der X-Rock-Entwicklungen am DFKI Robotics Innovation Center, deren Gesamtziel es ist, dass Menschen ohne Fachkenntnisse maßgeschneiderte Roboter für ihre Anwendungen entwickeln können.
Hybride KI-Verfahren wie maschinelles Lernen und strukturelles Schlussfolgern – für Roboter
Ergebnisse aus Vorgängerprojekten sind zum Beispiel eine Datenbank modularer Roboterkomponenten sowie die automatische Abbildung komplexer Hard- und Softwarestrukturen auf konkretes Roboterverhalten. Dafür werden hybride KI-Verfahren wie maschinelles Lernen und strukturelles Schlussfolgern eingesetzt.
M-Rock erweiterte diesen Ansatz, in dem auch menschliches Feedback mit einfließt. So soll das Verhalten der Roboter nicht nur softwareseitig an die individuellen Anforderungen des Benutzenden anzupassen sein, sondern es soll sich auch nachträglich optimieren lassen – inklusive Hardwareauswahl. Damit sollen sich Roboter im laufenden Betrieb kontinuierlich anpassen lassen – aber der Ansatz eignet sich auch als Werkzeug, um Roboterdesign und -verhalten personalisieren.
Roboter lernen, sich bei der Montage nach dem Mitarbeiter zu richten
Menschen melden, ob der Roboter tut, was sie erwarten
Ob das System den menschlichen Erwartungen entspricht, wird über explizites Feedback zum Beispiel in Form von Skalenbewertungen erfasst, aber auch mit implizitem Feedback aus Daten zu Hirn- und Muskelaktivität. Dafür haben die Forscher EEG- und EMG-Daten erfasst.
Die Rolle des menschlichen Feedbacks haben die Bremer in vier Studien untersucht. Dazu zeichneten sie EEG-Daten von Versuchspersonen auf, die einmal Fehler im kontinuierlichen Roboterverhalten und einmal in menschlichem Verhalten beobachteten. Anschließend analysierten die Forschenden die Daten hinsichtlich des so genannten fehlerbezogenen Potenzials, das im menschlichen Gehirn beim Erkennen von Fehlverhalten ausgelöst wird.
In weiteren Studien wurde sowohl implizites als auch explizites Feedback erhoben. Zum einen bei Versuchspersonen, die das Fehlverhalten einer getragenen Ellenbogenorthese wahrnahmen, zum anderen beim Beobachten von Fehlverhalten an einem Pendelroboter.
Intelligente Haut ermöglicht Nahfeld-Abtastung in der Robotik
EEG-Daten als Basis für Verbesserungen am Roboter
Die Analyse der EEG-Daten zeigte in allen Studien eine hohe Genauigkeit der fehlerbezogenen Potentialerkennung. Es konnte gezeigt werden, dass durch implizites Feedback Fehler in Echtzeit erkannt werden können – sei es bei Robotern, menschlichen Bewegungen oder Orthesen. Dies wiederum kann das System nutzen, um automatisch Anpassungen vorzunehmen, ohne dass der Benutzende aktiv eingreifen muss.
Eine weitere Errungenschaft von M-Rock ist die Weiterentwicklung der zuvor eingeführten so genannten Cognitive Cores (CCs) zu Optimal Cognitive Cores (OCCs). Hierfür waren Methoden der optimalen Steuerung im Einsatz. OCCs ermöglichen es komplexen Systemen, natürliches Verhalten zu generieren und auszuführen und verbessern die Interaktion mit dem Menschen durch präzise Beschreibungen der Roboteraufgaben. Sie verwenden mathematische Modelle, um optimale Lösungen für komplexe Steuerungsprobleme zu finden. Dabei werden Faktoren wie Energieverbrauch, Zeit und Sicherheit berücksichtigt. In Versuchen mit dem humanoiden Roboter RH5 ist es den Forschenden gelungen, mit Hilfe von OCCs Tanz- und Gehbewegungen zu erzeugen.
Menschliches Feedback kann also die Optimal Cognitive Cores (OCCs) verbessern. Es lässt sich zum Beispiel verwenden, um Kostenfunktionen zu erstellen, die beim Planen optimaler Trajektorien helfen. So lernt der Roboter auf Grundlage menschlicher Bewertungen, welche Bewegungen effizient sind, und kann dann besser auf dynamische Umgebungen reagieren.
Zwei Anwendungsszenarien für die Roboter: Exoskelett und Rückwärtssalto
Was die in M-Rock entwickelten Technologien leisten können, haben die Forscher in zwei Anwendungsszenarien evaluiert. Im ersten testeten sie den so genannten „Assist-as-Needed“-Ansatz eines Exoskelettes. Dieses sollte seine robotische Unterstützung individuell an die Nutzenden anpassen. Die Testpersonen führten Armbewegungen aus, während ihre Muskelaktivität (EMG-Daten) als Feedback für ein neuronales Netz zur Vorhersage der Gelenkkräfte diente. Die Ergebnisse zeigten, dass das Exoskelett in der Lage ist, die jeweiligen Fähigkeiten der Benutzenden anhand der EMG-Daten zu bewerten und sie flexibel und individuell pro Gelenk zu unterstützen.
Diamant-Sensoren verbessern die Steuerung neuraler Exoskelette
Im zweiten Szenario lag der Fokus darauf, Verhaltens- und Designparameter eines vierbeinigen Roboters für Sprünge und Rückwärtssalti gemeinsam zu optimieren. Optimal Cognitive Cores (OCCs) halfen dabei, die Bewegungen des Roboters an die jeweilige Aufgabe anzupassen und die optimale Morphologie auszuwählen. Tests am realen System ergaben, dass längere Oberschenkel für Vorwärtssprünge und längere Unterschenkel für Rückwärtssalti die besten Ergebnisse lieferten. (op)
Wissenschaftliche Ansprechpartner:
Prof. Dr. Elsa Kirchner,
DFKI Robotics Innovation Center
Mail: elsa.kirchner@dfki.de
Dr. Dennis Mronga, DFKI Robotics Innovation Center
Mail: dennis.mronga@dfki.de
