Evaluation von diskriminativen und generativen Modellen zur Bewegungsgenerierung in der kooperativen Manipulation

Die kooperative Manipulation verfolgt das Ziel, Robotersysteme dazu zu befähigen zusammen mit einem Menschen oder anderen Robotersystemen auf ein gemeinsames Ziel hin Manipulationsaufgaben (wie z.B. das Tragen eines schweren oder unhandlichen Objektes) durchzuführen. In der Robotik werden hierbei verschiedene Ansätze erprobt. Besonders erfolgsversprechend scheinen hier Verfahren zum Lernen aus Demonstrationen und Beobachtungen mittels Dynamical Movement Primitives  (DMP) und Gaussian Processes [1] oder Verfahren basierend auf Gaussian Mixture Regression und Hidden Markov Models [2].

Ziel der Arbeit ist die Evaluation von diskriminativen und generativen Modellverfahren zur Bewegungsgenerierung in der kooperativen Manipulation. Die Modellverfahren werden hierbei an einem realen Demonstrator gegeneinander in konkreten Anwendungsszenarien evaluiert.

Für die praktische Realisierung steht eine geeignete Roboterarbeitszelle zur Verfügung. Als Basis für die Entwicklung dient ein 3D Simulationssystem, welches bereits die Funktionen zum Generieren und Wiedergeben von DMPs anbietet und für die Analyse verwendet und erweitert werden soll.

Betreuer: Marc Priggemeyer

[1] Yunis Fanger, Jonas Umlauft, Sandra Hirche: Gaussian processes for dynamic movement primitives with application in knowledge-based cooperation. IROS 2016: 3913-3919

[2] S. Calinon, P. Evrard, E. Gribovskaya, A. Billard and A. Kheddar, “Learning collaborative manipulation tasks by demonstration using a haptic interface,” 2009 International Conference on Advanced Robotics, Munich, 2009, pp. 1-6.