Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-82050
URL: http://www.freidok.uni-freiburg.de/volltexte/8205/


Sturm, Jürgen

Approaches to probabilistic model learning for mobile manipulation robots

Ansätze zum maschinellen Lernen probabilistischer Modelle für mobile Manipulationsroboter

Dokument1.pdf (25.712 KB) (md5sum: 103a0549397144855b8f20c334f6352c)

Kurzfassung in Englisch

Mobile manipulation robots are envisioned to provide many useful services both in domestic environments as well as in the industrial context. Examples include domestic service robots, that implement large parts of the housework, and versatile industrial assistants, that provide automation, transportation, inspection, and monitoring services. The challenge in these applications is that the robots have to function under changing, real-world conditions, be able to deal with considerable amounts of noise and uncertainty, and operate without the supervision of an expert. To meet these challenges, current robotic systems are typically custom-tailored to specific applications in well-defined environments, and therefore cannot deal robustly with changes in the situation. This thesis presents novel learning techniques that enable mobile manipulation robots, i.e., mobile platforms with one or more robotic manipulators, to autonomously adapt to new or changing situations. The developed approaches in this thesis cover the following four topics: (1) learning the robot's kinematic structure and properties using actuation and visual feedback, (2) learning about articulated objects in the environment in which the robot is operating, (3) using tactile feedback to augment the visual perception, and (4) learning novel manipulation tasks from human demonstrations.

In the first part of this thesis, we present innovative approaches to learning a robot's own body schema from scratch using visual self-observation. This allows manipulation robots to calibrate themselves automatically and to adapt their body schemata autonomously, for example after hardware failures or during tool use. In the second part, we extend the developed framework to learning about articulated objects -- such as doors and drawers -- with which service robots often need to interact. The presented algorithms enable robots to learn accurate kinematic models of articulated objects, which in turn allow them to interact with the objects robustly. In the third part, we provide approaches that allow manipulation robots to make use of tactile perception -- an ability that is known to play an important role in human object manipulation skills. The main contributions in this part are approaches to identifying objects and to perceiving aspects of their internal states. With this, a manipulation robot can verify that it has grasped the correct object and, for example, discriminate full from empty bottles. Finally, we present an integrated system that allows human operators to intuitively teach a robot novel manipulation tasks by demonstration.

All techniques developed in the thesis are based on probabilistic learning and inference. They have been implemented and evaluated on real robots as well as in simulation. Extensive experiments have been conducted to analyze and validate the properties of the developed algorithms and to demonstrate a significant increase in robustness, adaptability, and utility of mobile manipulation robots in everyday life.


Kurzfassung in Deutsch

Dass Assistenzroboter künftig auch anspruchsvolle, hochkomplexe Aufgaben in ihnen zunächst unbekannten Umgebungen übernehmen sollen, würde in technischer, wirtschaftlicher, aber auch gesellschaftlicher Hinsicht einen großen Durchbruch bedeuten. So könnten mobile Manipulationsroboter, mit einem oder mehreren Greifarmen ausgestattet, in privaten Haushalten viele nützliche Dienste wie z.B. putzen, kochen oder aufräumen leisten. Des Weiteren wären Senioren und Personen mit Mobilitätseinschränkung weniger auf die Hilfe von externem Betreuungspersonal angewiesen und könnten länger autonom und selbstbestimmt leben. Kleine und mittelständische Betriebe könnten Assistenzroboter flexibel für verschiedene Aufgaben in der Fertigung einsetzen und damit ihre Wettbewerbsfähigkeit enorm steigern.
Das Ziel dieser Arbeit ist es, innovative Lösungsansätze zu entwickeln, die den Einsatz von mobilen Manipulationsrobotern sowohl im Unternehmens- als auch im privaten Alltag ermöglichen. Die Herausforderung in diesen Anwendungsgebieten liegt vor allem darin, dass mobile Manipulationsroboter auf wenig Vorwissen über sich und ihre Umgebung zurückgreifen können und daher in der Lage sein müssen, selbstständig geeignete probabilistische Modelle aus ihren Sensorwahrnehmungen zu erlernen, um damit zuverlässig ihre Aufgaben zu erfüllen.

Stationäre Manipulationsroboter im industriellen Umfeld werden bereits seit Jahrzehnten mit großem Erfolg in der Massenproduktion eingesetzt. Die hierfür entwickelten Lösungen sind jedoch immer für eine spezielle Aufgabe des Roboters maßgeschneidert, der Arbeitsbereich und der Bewegungsablauf eines Roboterarms sind genau vorspezifiziert. Nachträgliche Änderungen der Manipulationsaufgabe sind schwierig und oft mit aufwändigen manuellen Modifikationen in der Programmierung und am Roboterarm verbunden, so dass sich der Einsatz von Industrierobotern in der Produktion aus Kostengründen nur für hohe Stückzahlen lohnt.
Damit Manipulationsroboter auch in unstrukturierten, d.h. in weniger spezifizierten Umgebungen wie etwa zuhause oder in klein- bis mittelständischen Unternehmen sinnvoll eingesetzt werden können, müssen Manipulationsroboter mobil und somit deutlich flexibler, robuster und anpassungsfähiger werden als ihre stationären Vorgänger.

Um flexibel agieren zu können, sollte ein Roboter also in der Lage sein, aus seinen eigenen Sensordaten passende Modelle über die Welt zu lernen und diese fortlaufend an die aktuellen Gegebenheiten anpassen zu können. In dieser Arbeit werden daher innovative probabilistische Lerntechniken vorgestellt, die es einem Manipulationsroboter erlauben,
(1) das Körpermodell seines Greifarms mittels Selbstwahrnehmung von Grund auf zu lernen und kontinuierlich anzupassen, um ihn z.B. auch nach Hardwarefehlern und Materialverformungen präzise positionieren zu können,
(2) kinematische Modelle von verschiedenen artikulierten Objekten aus eigener Beobachtung zu lernen, um z.B. zuverlässig mit Türen und Schubladen umgehen zu können,
(3) taktile Objektmodelle zu lernen, um die Identität und den Zustand von gegriffenen Objekten zu ermitteln, und
(4) aus menschlichen Demonstrationen neue Aufgabenbeschreibungen zu lernen und diese in ähnlichen Situation reproduzieren zu können.

Zusammengefasst liegt der Hauptbeitrag dieser Arbeit in der Entwicklung, Evaluation und Analyse innovativer Techniken, die dazu beitragen, dass Manipulationsroboter zukünftig leichter in unstrukturierten Umgebungen eingesetzt werden können. Hierzu werden aus aktuellen probabilistischen Lernverfahren, wie z.B. Gauß'schen Prozessen, Stichprobenkonsensmethoden und grafischen Modellen neue Ansätze entwickelt, die zur Lösung mehrerer relevanter Probleme in der Robotik beitragen. Die probabilistische Formulierung dieser Ansätze ermöglicht es einem Roboter, Unsicherheiten, die durch Ungenauigkeiten in den Sensorwahrnehmungen oder der Aktionsausführung entstehen, in den gelernten Modellen adäquat abzubilden und in seiner Handlungsplanung entsprechend zu berücksichtigen. Diese Arbeit zeigt in ausführlichen Experimenten, die sowohl in Simulation wie auch auf verschiedenen Roboterplattformen ausgeführt wurden, dass sich mit den vorgestellten Lösungsansätzen die Abhängigkeit zu starren Modellen und strukturierten Umgebungen signifikant reduzieren lässt. Gleichzeitig wird in diesen Experimenten demonstriert, dass die hier vorgestellten Lösungsansätze die Flexibilität, Anpassungsfähigkeit und Robustheit von Manipulationsrobotern maßgeblich steigern. Dadurch leistet diese Arbeit einen Beitrag zu der Erschließung von natürlichen Umgebungen für mobile Manipulationsroboter.


SWD-Schlagwörter: Robotik , Maschinelles Lernen , Mustererkennung , Dreidimensionale Bildverarbeitung , Bayes-Inferenz , Bayes-Lernen
Freie Schlagwörter (deutsch): Probabilistische Robotik, Mobile Manipulation, Körpermodell, Kinematische Modelle, Taktile Perzeption, Imitationslernen
Freie Schlagwörter (englisch): Robotics , Probabilistic Robotics , Machine Learning , Computer Vision , Bayesian Learning , Bayesian Inference , Mobile Manipulation
Institut: Institut für Informatik
Fakultät: Technische Fakultät (bisher: Fak. f. Angew. Wiss.)
DDC-Sachgruppe: Informatik
Dokumentart: Dissertation
Erstgutachter: Burgard, Wolfram (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 30.05.2011
Erstellungsjahr: 2011
Publikationsdatum: 02.09.2011
Indexliste