Skip to main content

A Biomimetic Learning Control Scheme for control of Modular Robots

Article Category

Article available in the folowing languages:

Roboterlernsystem für ein besseres Verständnis der Funktionen des Gehirns führt zu Robotern der Zukunft

Unser Kleinhirn steuert die Koordination und das Gleichgewicht und ist dafür verantwortlich, dass einige von uns motorische Aufgaben wie Sport und Tippen besser beherrschen als andere. Eine EU-Forschergruppe nutzt Robotertechnik, um zu verstehen, wie dieser Bereich des Gehirns funktioniert, und den Entwicklungsgrad von Roboterplattformen zu erhöhen.

Digitale Wirtschaft

Durch das Kopieren der Lernmechanismen im Kleinhirn kann die biologische Grundlage für das Schlagen oder Treten eines Balls besser nachvollzogen werden. Dieses blattförmige Organ extrahiert Informationen aus sensorischen und motorischen Signalen und reagiert auf Umwelteinflüsse. Das Projekt BIOMODULAR erstellte ein neuartiges biologisch inspiriertes Modell für rechnergestütztes Lernen zur Anwendung bei modularen Robotern. „Wir haben Techniken des maschinellen Lernens mit einem modularen Kleinhirn mit feuernden Neuronen kombiniert und einen Prozess entwickelt, der zur Bildung langfristiger motorischer Erinnerungen führt – ein neuronales Netz zum maschinellen Lernen im Kleinhirn“, erläutert Dr. Silvia Tolu, Projektkoordinatorin und Forscherin. Den Ball immer besser treffen Dr. Tolu erklärt weiter, was BIOMODULAR erreicht hat: „Unser Ziel war nicht direkt der Bau von Hochleistungsrobotern, sondern von Systemen, die sich anpassen und aus dem tatsächlichen Selbsttraining lernen können, wie beispielsweise ein Objekt dahingehend zu manipulieren, dass eine Leistungssteigerung eintritt.“ Die daraus resultierenden Roboter sind sehr flexibel für eine Vielzahl von Aufgaben und Szenarien einsetzbar. Darüber hinaus kann die Motorsteuerung individuell an einen Roboter angepasst werden und so seine Leistung in jeder Phase optimieren. Das Forscherteam baute biologisch inspirierte Regelkreise mit einem eingebetteten neuronalen Netz zum maschinellen Lernen im Kleinhirn und testeten sie sowohl mit simulierten als auch mit realen Robotern sowie mit der neuromorphen Hardware SpiNNaker zur Durchführung von Aufgaben mit sich ändernder Kinematik und Dynamik. Doch der Erfolg bringt auch Herausforderungen mit sich, denn die Platine von SpiNNaker hatte auch ihre Nachteile. Derzeit ist es nicht möglich, unterschiedliche Plastizitätsregeln für dieselben Neuronen zu kodieren. „Dieses Vorgehen befindet sich noch in der Forschungs- und Entwicklungsphase. Sobald es jedoch möglich ist, kann das Netz feuernder Neuronen im Kleinhirn mit drei Plastizitätsregeln auf dem Chip implementiert werden“, betont Dr. Tolu. Die nächste Generation von Robotern BIOMODULAR hat die Entwicklung künstlicher adaptiver Lernsysteme vorangetrieben, die Netze feuernder Neuronen und Mechanismen des maschinellen Lernens integrieren. Durch die breite Anwendbarkeit in der Robotik hilft ein besseres Verständnis des Gehirns bei der Entwicklung plausibler biologischer Steuerungsschemata, die unter den verschiedensten Bedingungen auf jeden Roboter verallgemeinert werden können. „Tatsächlich wird die Nachahmung der biologischen Funktionalität des zentralen Nervensystems zur Schaffung autonomer intelligenter Roboteragenten, d. h. der nächsten Generation von Robotern, hinführen“, hebt Dr. Tolu hervor. Die Roboter der Zukunft werden, nicht in gleichem Ausmaß, aber doch an Asimovs Robotergeschichten und „I, Robot“ erinnernd, genauso wie lebende Systeme, in realen Umgebungen, die teilweise unbekannt sind und/oder sich verändern sowie nach Steuerungsparadigmen funktionieren, die über den Rahmen konventioneller Steuerungsalgorithmen hinausgehen, indem sie sich selbstständig anpassen, eigenständig lernen und sich selbst erkennen. Roboter werden in der Nähe von Menschen sowie in verschiedenen Bereichen außerhalb der streng kontrollierten Umgebung der Werkhalle sicher arbeiten. Die zukünftige Generation von selbstlernenden und kompatiblen Robotern kann Arbeiten in einer menschlichen Umgebung sicher ausführen. Diese Roboter werden die Gesellschaft verändern und hätten als autonome Systeme für die assistierende Robotik einen erheblichen Einfluss auf die Technologie. Zurück ins Hier und Jetzt Der Ansatz von BIOMODULAR reduziert die vom Steuersystem benötigte Informationsmenge und ermöglicht so ein Echtzeit-Robotersteuerungssystem, das autonom lernen kann, bestimmte physische Aufgaben auszuführen und sich an sich ändernde, manchmal raue Bedingungen anzupassen. „Übermäßige Anpassungen werden nicht erforderlich sein“, betont Dr. Tolu. Jede Art von Roboter wird von diesem adaptiven prädiktiven Steuersystem zur Ausführung gewünschter, aufgabenerfüllender Verhaltensweisen profitieren. „Mit diesem Ansatz verfolgt das im Rahmen des Marie-Skłodowska-Curie-Programms geförderte Projekt BIOMODULAR weiterhin die Entdeckung wichtiger Erkenntnisse über den modularen Aufbau des Kleinhirns und dessen Beteiligung an der Verarbeitung sensorischer Eingangssignale für motorische Steuerungsaufgaben“, so Dr. Tolu abschließend.

Schlüsselbegriffe

BIOMODULAR, Roboter, Kleinhirn, modular, maschinelles Lernen, Steuersystem, sensorisch, neuronales Netz zum maschinellen Lernen im Kleinhirn

Entdecken Sie Artikel in demselben Anwendungsbereich