Teil 7/10
Die Aufgabe, eine Flüssigkeit in einen Becher einzuschenken, erfordert präzise Bewegungssteuerung des Roboters und Anpassungsfähigkeit an unterschiedliche Bedingungen, wie verschiedene Flüssigkeitsstände, Becherpositionen und -formen. Herkömmliche Methoden stoßen hier an ihre Grenzen, da sie oft unflexibel und schwer an neue Situationen anpassbar sind. Methoden des Machine Learnings bieten dafür eine vielversprechende Alternative.
Mit maschinellem Lernen kann das System durch die Interaktion mit der Umgebung lernen, optimale Strategien entwickeln und sich dynamisch an sich verändernde Bedingungen anpassen. Dabei setzen wir bei HIRAC auf aktuelle Methoden des maschinellen Lernens, insbesondere Deep Learning und Reinforcement Learning.
Reinforcement Learning (RL)
Reinforcement Learning ist ein Bereich des maschinellen Lernens, bei dem ein sogenannter Agent lernt, durch Interaktion mit seiner Umgebung optimale Entscheidungen zu treffen.
Durch Erfolg und Misserfolg im Training versucht der Agent eine Strategie zu entwickeln, um die Misserfolge zu minimieren. Die Kriterien für Erfolg und Misserfolg wurden im Vorfeld, gemeinsam mit der Hochschule Offenburg, bestimmt und dienen als Trainingsgrundlage.
Machine Learning spielt in diesem Projekt deshalb eine so große Rolle, da das System auf unterschiedliche Roboterarme erweitert werden soll. Mit Reinforcement Learning kann das erlernte Modell auf verschiedene Roboter übertragen und mit minimalen Anpassungen neu trainiert werden. Das System kann nach kurzer Trainingszeit beispielsweise unterschiedliche Bewegungsabläufe für verschiedene Roboterarme erlernen.
kununu