Intuitive Programmierung auf Aufgabenebene durch Demonstration mittels semantischer Fähigkeitserkennung
Intuitive Roboterprogrammierung für Nicht-Experten wird für die zunehmende Automatisierung in kleinen und mittleren Unternehmen (KMU) von entscheidender Bedeutung sein. Programming by Demonstration (PbD) ist ein schneller und intuitiver Ansatz, während Programme, die mit Task-Level Programming (TLP) erstellt werden, leicht zu verstehen und flexibel in ihrer Ausführung sind. In diesem Beitrag schlagen wir einen Ansatz vor, der die sich ergänzenden Vorteile von PbD und TLP kombiniert. Benutzer definieren komplette Task-Level-Programme einschließlich aller Parameter allein über PbD. Daher nennen wir diesen Ansatz Task-Level Programming by Demonstration (TLPbD). TLPbD erweitert fähigkeitsbasierte Ansätze, indem es Experten ermöglicht, Roboterfähigkeiten mit ihren Bedingungen und Auswirkungen semantisch zu annotieren, was die Online-Erkennung von Fähigkeiten aus reinen Demonstrationen durch einen Nicht-Experten erleichtert. In einer Nutzerstudie mit 21 Teilnehmern wird der Ansatz mit einem bestehenden intuitiven TLP-Ansatz verglichen. Die Ergebnisse zeigen, dass der neue Ansatz die Programmierzeit drastisch reduziert, während er gleichzeitig intuitiver ist, die mentale Belastung verringert und die gleichen oder sogar bessere Fähigkeitssequenzen erzielt.
Das Video demonstriert zunächst die drei verschiedenen Aufgaben, die in der Benutzerstudie verwendet wurden (Abschnitt IV). Beide Ansätze, Task-Level Programming by Demonstration (TLPbD) und Task-Level Programming (TLP), werden im Vergleich gezeigt. Während alle drei Aufgaben mit TLPbD programmiert werden, kann die erste Aufgabe mit TLP nicht in der gleichen Zeit erledigt werden.
In der zweiten Hälfte des Videos wird die erste Aufgabe erneut mit TLPbD programmiert. Danach wird nach und nach eine Benutzerfertigkeit hinzugefügt. Dann wird das erstellte Programm ausgeführt und seine Flexibilität gezeigt.
Papier: https://elib.dlr.de/128339/
Intuitive Programmierung auf Aufgabenebene durch Demonstration mittels semantischer Fähigkeitserkennung
Intuitive Programmierung auf Aufgabenebene durch Demonstration mittels semantischer Fähigkeitserkennung
Intuitive Roboterprogrammierung für Nicht-Experten wird für die zunehmende Automatisierung in kleinen und mittleren Unternehmen (KMU) von entscheidender Bedeutung sein. Programming by Demonstration (PbD) ist ein schneller und intuitiver Ansatz, während Programme, die mit Task-Level Programming (TLP) erstellt werden, leicht zu verstehen und flexibel in ihrer Ausführung sind. In diesem Beitrag schlagen wir einen Ansatz vor, der die sich ergänzenden Vorteile von PbD und TLP kombiniert. Benutzer definieren komplette Task-Level-Programme einschließlich aller Parameter allein über PbD. Daher nennen wir diesen Ansatz Task-Level Programming by Demonstration (TLPbD). TLPbD erweitert fähigkeitsbasierte Ansätze, indem es Experten ermöglicht, Roboterfähigkeiten mit ihren Bedingungen und Auswirkungen semantisch zu annotieren, was die Online-Erkennung von Fähigkeiten aus reinen Demonstrationen durch einen Nicht-Experten erleichtert. In einer Nutzerstudie mit 21 Teilnehmern wird der Ansatz mit einem bestehenden intuitiven TLP-Ansatz verglichen. Die Ergebnisse zeigen, dass der neue Ansatz die Programmierzeit drastisch reduziert, während er gleichzeitig intuitiver ist, die mentale Belastung verringert und die gleichen oder sogar bessere Fähigkeitssequenzen erzielt.
Das Video demonstriert zunächst die drei verschiedenen Aufgaben, die in der Benutzerstudie verwendet wurden (Abschnitt IV). Beide Ansätze, Task-Level Programming by Demonstration (TLPbD) und Task-Level Programming (TLP), werden im Vergleich gezeigt. Während alle drei Aufgaben mit TLPbD programmiert werden, kann die erste Aufgabe mit TLP nicht in der gleichen Zeit erledigt werden.
In der zweiten Hälfte des Videos wird die erste Aufgabe erneut mit TLPbD programmiert. Danach wird nach und nach eine Benutzerfertigkeit hinzugefügt. Dann wird das erstellte Programm ausgeführt und seine Flexibilität gezeigt.
Papier: https://elib.dlr.de/128339/
Credit: DLR (CC BY-NC-ND 3.0)
Länge: 00:02:23