Lernen zu Greifen

Greifen ist - sowohl für uns Menschen, als auch in der Robotik - eine wichtige Fähigkeit zur Interaktion mit der Umgebung und in der Industrie als Bin Picking eine bedeutende Anwendung. Heutige Lösungen sind jedoch oft an das zu greifende Objekt angepasst, und sind daher für die Industrie- oder Servicerobotik nicht flexibel oder zuverlässig genug. Stattdessen lernt bei uns der Roboter selbständig und datenbasiert Objekte aus einer Kiste zu greifen. Zentrale wissenschaftliche Fragestellung ist dabei, wie allgemeines Wissen über die Physik oder zuvor gelernten Aufgaben die Trainingszeit verkürzen kann. Das langfristige Ziel ist eine Steuerung, die flexibel beliebige und unbekannte Objekte mit industrieller Zuverlässigkeit greifen kann.

Selbstanpassende Reinforcement Learning Policies für den Sim-to-Real-Transfer

Reinforcement Learning Algorithmen können dazu verwendet werden Robotern automatisch beizubringen, wie man komplexe Aufgaben löst. Ein Beispiel dafür ist das Bin Picking Problem. Diese Algorithmen weisen jedoch eine hohe Sample-Komplexität auf, was das Training auf realen Robotern unverhältnismäßig zeitintensive macht. Aus diesem Grund werden Policies in der Regel zunächst in der Simulation trainiert. Danach werden sie auf reale Roboter übertragen. Eine Herausforderung bei diesem Sim-To-Real-Transfer ist, dass die Physik unsere realen Welt schwer zu simulieren ist. In dieser Arbeit untersuchen wir, wie man Policies in der Simulation so trainiert, dass sie sich während ihrer Ausführung auf einem realen Roboter automatisch schrittweise an die physikalischen Parameter der Umgebung anpassen. Auf diese Weise umgehen wir die Notwendigkeit einer genauen physikalischen Simulation.

Domain Adaptation und Transfer Learning

Dieser Forschungsschwerpunktes beschäftigt sich mit der Frage, wie Lernprozesse mit Industrierobotern durch die intelligente Kombination aus simulierten und realen Daten beschleunigt werden können.

Im Fokus steht dabei die Optimierung von Robotertrajektorien unter Einhaltung von aufgabenspezifischen Nebenbedingungen mit Methoden aus dem Bereich des Reinforcement Learning.

Zu den zentralen Aspekten des Forschungsbereiches gehört die Frage, wie realistisch eine Physiksimulation sein muss, um daraus robuste Handlungsstrategien ableiten zu können sowie die sichere Erkundung der Umgebung mit realen Robotern.

Ziel des Forschungsschwerpunktes ist es, die Zykluszeiten in der industriellen Fertigung zu reduzieren und die notwendige Anpassungsfähigkeit für flexible Produktionsprozesse zu erreichen.