Robotics and Biology Laboratory

Laufende Projekte

© DALL·E 2

Rationale Auswahl von Explorationsstrategien in einer Escape-Room-Aufgabe

Wie wählen Menschen die richtige Strategie zur Lösung einer Aufgabe? Unser Ziel ist es, die Geheimnisse des Werkzeugkastens des Geistes zu entschlüsseln. In diesem Projekt erforschen wir die Mechanismen hinter der Strategieauswahl beim Lösen von kognitiven und verhaltensbezogenen Aufgaben. Wir konzentrieren uns darauf, wie der Kompromiss zwischen Genauigkeit und Kosten zustande kommt, um ein tieferes Verständnis des ökologisch rationalen Prozesses der Strategieauswahl zu erlangen und wie er verbessert werden kann.

© Rico Jonschkowski

Robotik-spezifisches maschinelles Lernen

Das No-Free-Lunch-Theorem (Wolpert, 1996) beweist, dass keine maschinelle Lernmethode besser funktioniert als zufälliges Raten, wenn man sie über alle möglichen Probleme mittelt. Die einzige Möglichkeit zur Verbesserung gegenüber dem zufälligen Raten besteht darin, den Problemraum einzuschränken und Vorwissen über diesen Problemraum in die Lernmethode einzubeziehen. Dies ist besonders in der Robotik wichtig, wo die Daten hochdimensional und knapp sind.

© Felix Noak

Geschickte und sensorische weiche Roboterhände

Nach dem Vorbild menschlicher Greif- und Manipulationsfähigkeiten bauen wir anthropomorphe weiche Roboterhände mit einem hohen Maß an Geschicklichkeit, um robuste Interaktionen mit der Umwelt zu ermöglichen. Wir entwickeln neue Sensortechnologien, die mit den hochgradig nachgiebigen Händen arbeiten und gleichzeitig nützliches Sensorfeedback liefern. Gleichzeitig erhöhen wir die Robustheit weicher Hände, indem wir Kontrollmethoden entwickeln, die Wahrnehmungs-, Modell- und Bewegungsunsicherheiten durch haptisches Feedback reduzieren.

© RBO

Co-Design von Steuerung und weicher Morphologie für In-Hand-Manipulation

Das Verhalten eines robotischen Akteurs wird durch sein Steuerungsprogramm, seine Form und Materialzusammensetzung sowie durch externe Faktoren aus seiner Umgebung bestimmt. Sowohl die Steuerung als auch die Morphologie beeinflussen die Leistung und müssen daher sorgfältig ausgewählt werden, um ein robustes und allgemeines Verhalten in verschiedenen Betriebsumgebungen zu gewährleisten. Wir können die sich aus der Aufgabe ergebenden Verantwortlichkeiten in Morphologie und Steuerung gleichzeitig und synergistisch aufteilen. Diese gemeinsame Programmierung von Morphologie und Steuerung wird als Co-Design bezeichnet.

© RBO

Intelligentes kinematisches Lösen von Problemen

Roboter benötigen die Fähigkeit, kinematische Strukturen wie Fenster, Türen oder Schubladen zu verstehen und zu manipulieren. Wir können uns von Tieren wie den Goffin-Kakadus inspirieren lassen, um Robotern diese Fähigkeiten anzutrainieren. Obwohl sich diese Kakadus sicherlich nicht entwickelt haben, um kinematische Rätsel zu lösen, zeigen sie bemerkenswerte Erfolge bei solchen Aufgaben. Wir wollen herausfinden, wie das möglich ist und wie wir Roboter mit ähnlich robusten Manipulationsfähigkeiten ausstatten können.

© RBO

Manipulieren lernen durch Demonstration

Wir werden einen neuartigen Ansatz für das Lernen durch Demonstration entwickeln, um einem Roboter komplexe, kontaktreiche Manipulationsaufgaben zu vermitteln. Dieser Ansatz wird es den Robotern ermöglichen, komplexe Schlösser und andere Mechanismen physisch zu bedienen. Die wissenschaftliche Herausforderung besteht darin, solche Mechanismen mit mehreren Freiheitsgraden zuverlässig zu bedienen, die Übergänge zwischen verschiedenen Situationen mit mehreren Kontakten erfordern. Anstatt diese Manipulationen direkt zu programmieren, wird ein Mensch dem Roboter die Bewegungen demonstrieren.

© Felix Noak

Möglichkeiten und Folgen der rekursiven, hierarchischen Informationsverarbeitung in visuellen Systemen

Das Sehen von Robotern profitiert von den Erkenntnissen über die menschliche visuelle Wahrnehmung. Aber wie ist es umgekehrt? Könnte die visuelle Wahrnehmung von Robotern helfen, die menschliche visuelle Wahrnehmung besser zu verstehen? Mithilfe einer hierarchischen Funktionsarchitektur für synthetische Wahrnehmungssysteme untersuchen wir die menschliche Leistung und leiten daraus Prinzipien der robusten Informationsverarbeitung in Wahrnehmungssystemen ab. Auf diese Weise können wir gleichzeitig unser Verständnis des menschlichen Sehens verbessern und die zugrundeliegenden Prinzipien in das Sehen von Robotern einfließen lassen.

© RBO

Differenzierbare zusammenhängende rekursive Schätzung als ein Prinzip der Intelligenz

Wir schlagen ein Berechnungsprinzip vor, um sensorische Eingaben auf geeignete Handlungen abzubilden, das aus drei Bausteinen besteht: rekursive Schätzer, Verknüpfungen und differenzierbare Programmierung. Dieses integrierte System kann aufgabenrelevante Informationen aus dem sensorischen Input extrahieren und geeignete Handlungen generieren, um komplexe Ziele zu erreichen. Wir versuchen, es als Modell für verschiedene intelligente Verhaltensweisen zu untersuchen und schlagen es damit als allgemeineres Prinzip der Intelligenz vor.

Erzeugung von robustem und allgemeinem Verhalten in der realen Welt durch Ausnutzung von Regelmäßigkeiten auf mehreren Abstraktionsebenen

Dieses Projekt zielt darauf ab, das Lernen komplexer, robuster und allgemeiner Robotermanipulationen durch induktive Voreinstellungen zu verbessern, die auf strukturierten Regelmäßigkeiten im Wahrnehmungs-/Handlungsraum basieren. Die Verzerrungen werden hierarchisch sein und aus Regelmäßigkeiten auf verschiedenen Abstraktionsebenen bestehen. Sie werden in einer kontaktreichen Manipulationsaufgabe unter Verwendung eines hochleistungsfähigen Hand-Arm-Systems mit multimodalen Sensoren validiert, was zu einem leistungsstarken und dateneffizienten Lernansatz führt.

Parrobots II

When extracting regularities from cockatoo behavior in the context of the lock box scenario (Project 4), we encountered a very fundamental challenge. We found a discrepancy between the number of data we can acquire and the number of data required to conclusively validate a specific behavior-generating mechanism. This is a challenge that needs to be faced by our cluster if we are to extract insights from high-dimensional behavioral observations.

Abgeschlossene Projekte

Heuristics for ball catching

We explore specialist and generalist approaches in artificial intelligence through the outfielder ball catching problem. Our analysis shows that these views lie on a spectrum, and the choice of problem representation is key. We find that, for this problem, the two views collapse to a single point on the spectrum. These findings have important implications for building smarter machines that can tackle complex decision-making problems more effectively.

© RBO

Photo Cross-linking/mass spectrometry (CLMS)

This project seeks to develop new methods for protein structure determination to tackle the challenge of analyzing certain elusive protein systems. The proposed approach utilizes high-density cross-link/mass spectrometry data and custom computational algorithms to interpret the data. The project aims to advance cross-linking for structure determination by increasing the density and distribution of CLMS data and combining it with tailored conformational space search algorithms.

Soft Manipulation (SOMA)

Manipulation systems are difficult to deploy to a wide-spread of industrial applications because of their complexity, fragility, lack of strength, and difficulty of use. The Soma project describes a path of disruptive innovations for the development of simple, compliant, yet strong, robust, and easy-to-program manipulation systems. The core idea is the use of soft-bodied robots and deliberate contact with the environment.

The Physical Exploration Challenge

Actively seeking for information, exploring the environment and thereby acquiring a model of the environment is a crucial aspect of intelligent behavior. Such behavior is also described in terms of curiosity, or the intrinsic motivation to learn about the environment. The goal of this project was to develop methods to realize such behavior concretely in the context of a physical world, where a robot needs to physically explore and interact with its environment so as to uncover its physical and kinematic structure.

© RBO

Amazon Picking Challenge 2015

In May 2015, our Team RBO won the Amazon Picking Challenge. This challenge addressed one of the last problems in warehouse automation: visually perceiving and grasping a diverse range of objects from a cluttered warehouse shelf autonomously without any human intervention. Our robot was able to win the competition by picking 10 out of 12 objects, outperforming 25 teams from Europe, the USA and Asia.

© Arne Sieverling

Motion Generation

Motion Generation is concerned with the planning and execution of motion tasks for possible complex robotic systems. We are especially interested in motion generation for mobile manipulators operating in the real world. Unstructured environments pose a significant challenge to solve mobile manipulation takes. This the case becaue accurate knowlegde about the surrounding environment can not be assumed.

Parrobots

The parrobots project was a seed funded project that we used to bootstrap our research and application for the project "Intelligent Kinematic Problem Solving". In this project we started our interdisciplinary cooperation to find out how Goffin's cockatoos can learn to solve mechanical puzzles. To this end we developed a novel experimental setup, the called the Modular Lockbox. It allows to set up new kinematic puzzles in a short time-frame, to quickly perform new experiments.