Experiential Learning und autonome Fehlerkorrektur

Motivation

Während verhaltensbasiertes Klonen einen Ausgangspunkt bietet, entstehen dabei oft brüchige Roboterverhalten, die unter unerwarteten Bedingungen scheitern. Für wirksame Anwendungen in der realen Welt sind Systeme erforderlich, die kontinuierlich aus ihren Erfahrungen lernen und sich bei Fehlern eigenständig korrigieren können. Die Entwicklung erfahrungsbasierter Lernmethoden erlaubt es Robotern, ihr Verhalten fortlaufend zu verbessern und somit robuste und zuverlässige Leistungen auch in variablen Umgebungen sicherzustellen.

Forschungsrichtung

Unsere Forschung entwickelt weiterführende Reinforcement-Learning-Methoden, insbesondere vorteilskonditionierte Strategien, die es Robotern ermöglichen, aktiv aus erfolgreichen Demonstrationen und operativen Fehlern zu lernen. Diese Methode fördert kontinuierliche Verbesserung und Anpassungsfähigkeit durch verbesserte Fehlererkennung, Diagnose und Korrektur. Letztendlich zielen wir darauf ab, robuste Robotersysteme zu realisieren, die sich durch erfahrungsbasiertes Lernen selbstständig verbessern.