• • Sicheres Autonomes Fahren mit Probabilistischen Neuronalen Netzen

    Wir Menschen sind in der Lage unter widrigen Bedingungen
    z.B. bei eingeschränkter Sicht, oder bei Störungen komplexe Vorgänge
    wahrzunehmen, vorherzusagen und innerhalb von wenigen Millisekunden
    zusammenhängende Entscheidungen zu treffen. Mit dem zunehmenden Grad der
    Automatisierung steigen auch die Anforderungen an künstliche Systeme. Immer
    komplexere und größere Datenmengen müssen verarbeitet werden um autonome Entscheidungen
    zu treffen. Mit gängigen KI Ansätzen stoßen wir aufgrund der konvergierenden
    Miniaturisierung an Grenzen, die z.B. im Bereich des autonomen Fahrens nicht
    ausreichen, um ein sicheres autonomes System zu entwickeln.

    Ziel dieser Forschung ist es probabilistische
    Vorhersagemodelle in massiv parallelisierbaren neuronalen Netzen zu
    implementieren und mit diesen komplexe Entscheidungen Aufgrund erlernter
    interner Vorhersagemodelle zu treffen. Die neuronalen Modelle verarbeiten hoch
    dimensionale Daten moderner und innovativer taktiler und visueller Sensoren.
    Wir testen die neuronalen Vorhersage und Entscheidungsmodelle in humanoiden
    Roboteranwendungen in dynamischen Umgebungen.

    Unser Ansatz beruht auf der Theorie der probabilistischen
    Informationsverarbeitung in neuronalen Netzen und unterscheidet sich somit
    grundlegend von den gängigen Methoden tiefer neuronaler Netze. Die
    zugrundeliegende Theorie ermöglicht weitreichende Modelleinblicke und erlaubt
    neben den Vorhersagen von Mittelwerten auch Unsicherheiten und Korrelationen.
    Diese zusätzlichen Vorhersagen sind entscheidend für verlässliche, erklärbare
    und robuste künstliche Systeme und sind eines der größten offenen Probleme in
    der künstlichen Intelligenz Forschung.

    Dieses Projekt wurde mit dem Deutschen KI-Nachwuchspreis der Bilanz Deutschland Wirtschaftsmagazin GmbH geehrt und demonstriert die Wichtigkeit für Grundlagenforschung in der künstlichen Intelligenz.

  • H2020 Goal-Robots 11/2016-10/2020

    This project aims to develop a new paradigm to build open-ended learning robots called `Goal-based Open ended Autonomous Learning’ (GOAL). GOAL rests upon two key insights. First, to exhibit an autonomous open-ended learning process, robots should be able to self-generate goals, and hence tasks to practice. Second, new learning algorithms can leverage self-generated goals to dramatically accelerate skill learning. The new paradigm will allow robots to acquire a large repertoire of flexible skills in conditions unforeseeable at design time with little human intervention, and then to exploit these skills to efficiently solve new user-defined tasks with no/little additional learning.

    Link: http://www.goal-robots.eu

  • AI and Learning in Robotics

    

    The challenges in understanding human motor control, in brain-machine interfaces and anthropomorphic robotics are currently converging. Modern anthropomorphic robots with their compliant actuators and various types of sensors (e.g., depth and vision cameras, tactile fingertips, full-body skin, proprioception) have reached the perceptuomotor complexity faced in human motor control and learning. While outstanding robotic and prosthetic devices exist, current brain machine interfaces (BMIs) and robot learning methods have not yet reached the required autonomy and performance needed to enter daily life.

    The groups vision is that four major challenges have to be addressed to develop truly autonomous learning systems. These are, (1) the decomposability of complex motor skills into basic primitives organized in complex architectures, (2) the ability to learn from partial observable noisy observations of inhomogeneous high-dimensional sensor data, (3) the learning of abstract features, generalizable models and transferable policies from human demonstrations, sparse rewards and through active learning, and (4), accurate predictions of self-motions, object dynamics and of humans movements for assisting and cooperating autonomous systems.

  • Neural and Probabilistic Robotics

    

    Neural models have incredible learning and modeling capabilities which was demonstrated in complex robot learning tasks (e.g., Martin Riedmiller’s or Sergey Levine’s work). While these results are promising we lack a theoretical understanding of the learning capabilities of such networks and it is unclear how learned features and models can be reused or exploited in other tasks.

    The ai-lab investigates deep neural network implementations that are theoretical grounded in the framework of probabilistic inference and develops deep transfer learning strategies for stochastic neural networks. We evaluate our models in challenging robotics applications where the networks have to scale to high-dimensional control signals and need to generate reactive feedback command in real-time.

    Our developments will enable complex online adaptation and skill learning behavior in autonomous systems and will help to gain a better understanding of the meaning and function of the learned features in large neural networks with millions of parameters.

Selected Workshops

NeurIPS 2019 – Robot open-Ended Autonomous Learning Competition.

NIPS 2016. Neurorobotics: A chance for new ideas, algorithms and approaches