Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Model-based Reinforcement Learning for Versatile Robots in the Real World

Projektbeschreibung

Roboter schnell lernen lassen

Aus Erfahrung zu lernen ist eine grundlegende menschliche Eigenschaft, durch die wir sehr geschickt und erfolgreich bei verschiedenen Aufgaben sein können. Wenn autonome Roboter in die Lage versetzt würden, effektiv aus Erfahrungen zu lernen, könnten sie neue und schwierige Aufgaben lösen, und die Nutzung ihrer spezifischen Fähigkeiten könnte sie zu allgegenwärtigen Gehilfen des Menschen machen. Derzeit werden Methoden des modellfreien Verstärkungslernens angewandt, die jedoch zahlreiche Interaktionen mit der realen Welt erfordern. Vor diesem Hintergrund wird das ERC-finanzierte Projekt REAL-RL einen modellbasierten Ansatz prüfen, bei dem die Interaktionen mit der Welt aus Erfahrung gelernt und in einem Lernmodell festgehalten werden. Letztere können für mentale Simulationen eingesetzt werden, wodurch sich die Zahl der erforderlichen Interaktionen mit der realen Welt verringert. Im Rahmen des Projekts werden generische Lernmethoden ausgearbeitet, die für die Steuerung beliebiger Roboter mit Beinen, Armen oder anderen Morphologien verwendet werden können.

Ziel

REAL-RL proposes a path to autonomous robots that learn from experience. By learning to solve new and challenging tasks and exploiting their specific capabilities, they could become ubiquitous assistants to humans in an uncountable number of tasks. Current control strategies for robots are developed only for particular tasks and are not versatile. To ensure their functioning, it is necessary to have highly accurate physical models that precisely match all the essential aspects of the real world. REAL-RL follows a different path: a learning approach to robot control. The dominant direction in the field uses model-free reinforcement learning methods that need an incredible number of interactions with the world – often prohibitive for real robots. As a bypass, simulations are used but require detailed knowledge of all possible situations that the robot might encounter. These problems are circumvented in REAL-RL by proposing a model-based approach. Models of the interaction with the world are learned from experience and will be used to plan and adapt behavior on the fly. This approach promises to be much more data-efficient and allows to transfer of valuable experience between tasks. Fundamental challenges in model-learning, safety-aware exploration and planning, and higher-order reasoning are identified and presented here with concrete novel solution ideas, such as a causal inductive bias for deep dynamics models, risk-aware real-time general trajectory optimization, and differentiable discrete planning. Critical stepping stones, such as probabilistic models and fast trajectory planning, have just been developed by the community, and the applicant. By aiming at a generic learning method that can be used to control any robot – rigid or soft – with legs, arms, or other end-effectors for manipulation and locomotion tasks, and make them improve with experience, the proposal develops a solid basis for future robotic applications.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2021-COG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

EBERHARD KARLS UNIVERSITAET TUEBINGEN
Netto-EU-Beitrag
€ 1 998 500,00
Adresse
GESCHWISTER-SCHOLL-PLATZ
72074 Tuebingen
Deutschland
Region
Baden-Württemberg Tübingen Tübingen, Landkreis
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 998 500,00

Begünstigte (2)