Interaktive Roboter erlauben intuitiven Umgang
Roboter zu sicheren, effizienten und flexiblen Interaktionspartnern des Menschen zu machen, ist Arbeitsschwerpunkt und Kernkompetenz der Robotikforschung an der Universität Bielefeld. Diese ist im Rahmen des Forschungsinstitutes für Kogni- tion und Robotik (CoR-Lab) und des Exzellenzcluster Kognitive Interaktionstechnologie (CITEC) konzentriert.
Eine wichtige Forschungserkenntnis: Erst eine enge Verzahnung von Lerntechnologie, Interaktion, Software- und Sensorintegration sowie nachgiebiger Hardware liefert die gewünschten Fortschritte für eine intuitive Bedienung. In praktische Anwendungen übersetzt, sind das hohe Anforderungen. Es gilt, mit wechselnden Hindernissen umzugehen, sichere Nahfeldinteraktion zu garantieren und ein Umprogrammieren in Minutenzeiträumen zu ermöglichen.
Technisch bieten gefügige, redundante Manipulatoren dafür die Basis, zum Beispiel der Kuka Leichtbauroboter oder Festos Bionischer Handling-Assistent. Flexible Baukastensysteme, die schnelle Änderungen der Roboterhardware erlauben, könnten in der Zukunft das Hardwarespektrum erweitern.
Ein aktuelles Problem für solche Robotersysteme ist es, die inverse Kinematik und eine geeignete Redundanzauflösung vorzugeben, um beispielsweise um Hindernisse herumzugreifen. Dies setzt Experten- und Modellwissen voraus, wobei Umkonfiguration und Neuplanung von Trajektorien typischerweise erheblichen Programmieraufwand erfordern. Da nicht alle möglichen Bedingungen einer sich ändernden Umgebung vorher bekannt sein können, müssen Redundanzauflösungen schnell und intuitiv auch von Nicht-Experten anpassbar sein.
Unser Lösungsansatz ist, mittels Nutzerinteraktion in Teilen des Arbeitsbereichs verschiedene Armstellungen vorgeben zu können, ohne dass dem System ein Modell der Umwelt und des Roboters vorher hinterlegt sein muss. Das System zeichnet dabei Endeffektorpositionen und korresponierende Gelenkwinkel auf. Hierbei werden unterschiedliche Auflösungen der Redundanz vorgegeben. Die inverse Kinematik wird dann rein datengetrieben mit Hilfe eines Lernverfahrens erzeugt.
In Experimenten zeigen wir, dass die inverse Kinematik mit Redundanzauflösung dann nicht nur in den trainierten Arbeitsbereichen funktioniert, sondern vom gelernten Verfahren auch zwischen den trainierten Bereichen Trajektorien generiert, die keine explizite Planung voraussetzen. Die Experimente werden auf einem Kuka-Leichtbauarm LWR 4 ausgeführt.
Dazu wurde eine Systemarchitektur implementiert, die im Sinne der oben genannten Verzahnung von Lern-, Software- und Robotiktechnologie einen Satz von integrierten Komponenten zur Programmierung von individuellen und zur Wiederverwendung von kompletten Lern- und Interaktionskomponenten zur Verfügung stellt.
Die gleichen Komponenten werden im CoR-Lab auch zum Lernen und Steuern von erheblich komplexeren, humanoiden Robotern verwendet, zum Beispiel Hondas humanoidem Roboter oder dem kindhaften Roboter iCub. Ein entsprechendes Demonstrationssystem hat das CoR-Lab auf der Automatica 2010 und zuletzt der Forum Maschinenbau OWL vorgestellt.
Zur weiteren Flexibilisierung ist geplant, zusätzliche Wahrnehmungskomponenten einzusetzen, die während der Bewegungsausführung Anpassungen durchführen können. Wir sind überzeugt, dass eine konsequente Weiterentwicklung solcher lernenden Systeme einen großen Beitrag zur flexiblen und auch im Mittelstand einsetzbaren Automatisierung insbesondere bei kleinen Produktzahlen leisten wird.
apl. Professor Dr. Jochen J. Steil Research Institute for Cognition and Robotics (CoR-Lab) www.cor-lab.de
