Learn to learn human learning process from teleoperated demonstrations

Projektbeschreibung

Eine innovative Rahmenumgebung, in der Roboter für das Leben lernen

Lernen durch Demonstration bzw. durch Verstärkung ist ein Modell, mit dessen Hilfe Roboter autonom lernen, neue Aufgaben auszuführen. Jedoch schränken Umweltveränderungen, hohe Demonstrationskosten und potenzielle Unsicherheiten aufgrund datenbasierten Lernens seine Anwendung ein. Das EU-finanzierte Projekt L3TD wird ein Rahmenwerk vorschlagen, mit dem Roboter Fähigkeiten erlernen können. Es soll auf dem Lernprozess des Menschen beruhen, um beim Erlernen von Fähigkeiten menschenähnliche Charakteristiken zu erreichen. Das Projekt wird eine teleoperierte Schnittstelle mit Multisensoren und einem speziellen Exoskelett ausstatten, um den Informationsunterschied zwischen Menschen und Robotern zu minimieren. Es werden neue Theorien des Erlernens primitiver Fähigkeiten und des auf primitiven Fähigkeiten beruhenden Lernens von Aufgabengraphen erforscht. Primitive Fähigkeiten werden auf der Grundlage verbesserten Meta-Lernens erlernt und verallgemeinert. Schlussfolgerungen auf Basis von Misserfolg und Anpassungen an Zero- und Few-Shot-Aufgaben sind das Ziel.

Ziel

Learning from demonstration (LfD) is a paradigm for enabling robots to autonomously learn from demos to perform new tasks. But, environmental changes, expensive demonstration cost, and potential uncertainties caused by data-based learning make it hard to be applied in actual. The project aims to propose a robot skill learning framework from human learning process via a teleoperation interface to achieve human-like skill learning characteristics such as few-shot learning, learning from failed attempts and tentative actions, and strong skill transfer and generalization ability. Five work packages will be taken to realize the objectives. First, a teleoperated interface will be equipped with multi-sensors and special exoskeleton to minimize information difference between humans and robots. After building a scalable primitive skill (PS) library based on task segmentation with multimodal information, new theories of PS learning and PS-based task graph learning are explored. PS will be learned and generalized based on improved meta-learning that is associated and explained by physical laws and neural motor disciplines. The PS-based task graph will be learned from the human learning process, achieving failure reasoning and adaptation to zero/few-shot tasks. Some practical problems e.g. incomplete data set and difference of sim-to-real applications will also be addressed. Finally, the previous theories will be certified by medical robot tasks. The applicant will acquire a solid state-of-the-art interdisciplinary scientific training in the multidisciplinary research fields, such as artificial intelligence, robotics technologies and mechanical design, and that will enable him to generate new scientific knowledge and quickly develop his research career and leadership. The final aim is to consolidate Europe as the world leader in robot and AI areas and to benefit European robotics applications in industry, surgery, and nuclear waste disposition.