Autonome Robotik in komplexen Umgebungen

Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.
Bei terrestrischen Analogtests in Utah, USA, arbeiten die autonomen DFKI-Rover SherpaTT und Coyote III in einem Weltraummissionsszenario zusammen. In aktuellen Projekten des DFKI Robotics Innovation Centers und der Universität Bremen zum quantenmaschinellen Lernen geht es unter anderem darum, bestärkende Lernverfahren für mehrere Roboter, die in einem verteilten Setting ein bestimmtes Verhalten lernen oder optimieren sollen, mithilfe von Quantenalgorithmen zu verbessern.Bild: DFKI, Florian Cordes

Maschinelles Lernen und insbesondere bestärkende Lernverfahren gelten als Schlüsseltechnologie für jegliche Bereiche des robotischen Lernens mit Anwendungspotenzial sowohl in terrestrischen als auch in Weltraumszenarien. Jedoch sind diese Verfahren in ihrer Architektur äußerst komplex und benötigen eine erhebliche Menge an Trainingsschritten, was das Erlernen von neuem anspruchsvollem Verhalten in realen robotischen Umgebungen ohne Vorwissen und Simulationsumgebung nahezu unmöglich macht. Quantenalgorithmen haben jedoch das Potenzial, große Datenmengen effizienter zu verarbeiten und zu analysieren als klassische maschinelle Lernalgorithmen.

Forschung an neuen Kozepten

Um die Quantentechnologie in diesem Bereich voranzutreiben, betreibt ein interdisziplinäres Team von Wissenschaftlerinnen und Wissenschaftlern des DFKI Robotics Innovation Center und der AG Robotik der Universität Bremen grundlegende Forschung, um quantengestützte Konzepte und Lösungen für Anwendungsfelder in der künstlichen Intelligenz und Robotik zu erarbeiten. Mit den Projekten QuDA-KI, QuBER-KI und QuMAL-KI fördert das Bundesministerium für Wirtschaft und Klimaschutz (BMWK) drei synergetische Projekte, in denen sowohl bestehende Methoden des quantenmaschinell gestützten Lernens evaluiert und verbessert, als auch neue Methoden für robotische Anwendungen entwickelt werden sollen. Die untersuchten Verfahren umfassen neben rein quantenbasierten Ansätzen auch hybride Verfahren, bei denen bestimmte Anteile des Algorithmus auf Quantencomputer ausgelagert werden, während die Verarbeitung des restlichen Teils auf einem klassischen Computer erfolgt.

Die Projekte

Um die roboternahen Datenströme, insbesondere von Sensoren und Aktuatoren, für quantenmaschinelle Lernverfahren nutzen zu können, müssen sie in geeigneten Qubit-Repräsentationen vorliegen. Wie sich die Daten enkodieren lassen, untersuchen die Bremer Forschenden im Projekt QuDA-KI (Qubit-basierte Datenrepräsentationen und Vorverarbeitungen für Ansätze des Quantenmaschinellen Lernens). Der Fokus liegt auf Qubit-basierten Minimalrepräsentationen von essenziellen Merkmalen, um mit den wenigen in heutigen Quantencomputern zur Verfügung stehenden Qubits bereits erste Anwendungsfälle umsetzen zu können. Zusätzlich sollen Datensätze aus robotischen Szenarien bisheriger DFKI-Arbeiten zur Nutzung auf Quantenhardware aufbereitet und anderen Projekten zur Verfügung gestellt werden. Auch soll ein Labor mit entsprechender Hardware und Software entstehen. Darüber hinaus wollen die Forschenden herausfinden, wie sich Quantenschaltkreise effizienter gestalten lassen. Die Erkenntnisse von QuDA-KI sollen in die anwendungsorientierten Projekte QuBER-KI und QuMAL-KI einfließen, in denen quantenunterstützte, bestärkende Lernverfahren zur Generierung von konkretem Roboterverhalten eingesetzt werden sollen. In QuBER-KI (Quantum Deep Reinforcement Learning für einfache robotische Verhalten) wollen die Forschenden u.a. bestehende quantenunterstützte Algorithmen analysieren und sie hinsichtlich der Fragestellung evaluieren, ob und inwiefern sie sich auch auf komplexere Umgebungen und Anwendungen übertragen lassen.

Anspruchsvolle Szenarien

Insbesondere für anspruchsvolle Szenarien im Bereich der Weltraumrobotik müssen zukünftige langzeitautonome Roboter in der Lage sein, komplexe Verhalten in Interaktion mit anderen robotischen Systemen zu lernen und gegebenenfalls anzupassen. Das Projekt QuMAL-KI (Quantenbeschleunigtes Multi-Agenten Lernen für langzeitautonome Roboter) zielt darauf, Verfahren des bestärkenden maschinellen Lernens sowohl für mehrere robotische Systeme als auch für mehrere Quantencomputer, die in einem verteilten Setting ein bestimmtes Verhalten optimieren oder lernen sollen, zu beschleunigen. Dazu wollen die Forschenden zunächst existierende Quantenalgorithmen evaluieren, um anschließend neue Verfahren zu entwickeln, die sie mit mindestens zwei Robotern erproben wollen.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert