Anwendungen

Unsere Fähigkeit, Objekte mit unseren Händen geschickt zu manipulieren, ist ein wesentliches Element unseres täglichen Lebens. Um Robotersysteme nahtlos in unseren Alltag integrieren zu können, benötigen sie ähnliche Fähigkeiten. Um Robotern die präzise Manipulation von Objekten zu ermöglichen, sind jedoch eine Reihe von algorithmischen Fähigkeiten erforderlich, die den kognitiven Kompetenzen des Menschen entsprechen. Um dieses Ziel zu erreichen, entwickeln wir ein Framework zur geschickten Manipulation, das die präzise Regelung von gegriffenen Objekten mit Roboterhänden ermöglicht. Grundlegend erfordert die Realisierung einer anspruchsvollen Manipulationsaufgabe Wissen über den Zustand des Griffes. Unsere Methode zur Schätzung des Greifzustands integriert Informationen aus taktiler Sensorik, Propriozeption und visueller Wahrnehmung in eine gemeinsame Formulierung. Unter Verwendung des geschätzten Greifzustands realisiert der entwickelte modellbasierte Regler die nachgiebige Positionierung des Objekts in der Hand.

Die Komplexität des elastischen Halses macht ihn zu einem guten Kandidaten für die Anwendung von Methoden des maschinellen Lernens, wann die Modellierung des Roboterverhaltens schwierig sein kann. Es werden Methoden wie Ensembling zur Vorhersage der Pose und der Handhabung von Fehlern zusammen mit Reinforcement Learning zum Lernen der Steuerung des Halses aus Daten untersucht.

Die Capability Maps bieten eine grafische Repräsentation jedes erreichbaren Punktes im diskretisierten Arbeitsraum und wie geschickt diese Punkte zu erreichen sind. Die Geschicklichkeit für jeden erreichbaren Punkt im Arbeitsraum ist mithilfe eines Capability Index farblich codiert. Der Capability Index ergibt sich aus einer Auswertung der möglichen Endeffektor-Orientierungen an jedem Punkt im erreichbaren Arbeitsbereich. Die resultierende prozentuale Belegung ergibt den Capability Index und die Farbe des diskretisierten Punktes (entsprechend einer Farbskala). Die grünen Regionen im Bild deuten auf Bereiche des Arbeitsraums, die für den Endeffektor in verschiedenen Orientierungen erreichbar sind und somit einen höheren Capability Index haben als die Regionen an den Rändern der Karte.