Projects

Phase 2 Projects

Autonomous Learning for Bayesian Cognitive Robotics


Project leaders: Michael Beetz (Bremen)

Researchers: Hartmut Messerschmidt (Bremen)

Administration: Sabine Veit, Lena Jacobs, Bremen, Doris Walter (München)

Associates: Matthew Mason (Pittsburg), Siddhartha Srinivasa (Pittsburg), Jeffrey Trinkle (New York State)

Summary:

Bayesian cognitive robotics is a novel paradigm for the knowledge-enabled control of  autonomous robots. The paradigm presumes that one of the most powerful ideas to equip robots with comprehensive reasoning capabilities is the lifelong autonomous learning of joint probability distributions over robot control programs, the behaviour they generate and the situation-dependent effects they bring about. Having learned such probability  distributions from experience, a robot can make predictions, diagnoses and perform other
valuable inference tasks in order to improve its problem-solving performance. In this proposal, leading research groups in cognition-enabled robot control, fast probabilistic learning and reasoning, and planning through probabilistic inference team up to collectively advance autonomous learning in Bayesian cognitive robotics by

(1) extending a plan language to allow the autonomous collection of semantically interpretable data,
(2) autonomously generating the structure and learning the parameters of
probabilistic models and inducing probabilistic rules for planning, and
(3) developing novel lifted inference techniques that can enable the application of even complex probabilistic models in real time.

The resulting software components will be integrated into a single autonomous robot  control system and empirically investigated in the context of human-scale and real world robot manipulation tasks such as preparing a simple meal or cleaning up a table.

Bayessche kognitive Robotik ist ein neues Paradigma für die wissensbasierte Steuerung autonomer Roboter. Diesem Paradigma liegt die Idee zugrunde, dass eine der  vielversprechendsten Möglichkeiten, Roboter mit umfassenden  Schlussfolgerungsfähigkeiten auszustatten, im lebenslangen autonomen Lernen von Verbundwahrscheinlichkeitsverteilungen über Robotersteuerungsprogrammen, dem Verhalten, das diese erzeugen, und den situationsabhängigen Eff ekten, die diese bewirken, besteht. Hat ein Roboter solche Verteilung aus Erfahrung gelernt, so kann er sie gezielt zum Zwecke der Vorhersage, der Diagnose oder für andere wertvolle Inferenzaufgaben einsetzen, die seine Problemlösungsfähigkeiten verbessern.
In diesem Antrag kommen führende Forschungsgruppen aus den Bereichen der kognitionsbasierten Robotersteuerung, des performanten probabilistischen Lernens und Schlussfolgerns sowie der Planung durch probabilistische Inferenz zusammen, um den Forschungsbereich der Bayesschen kognitiven Robotik voranzutreiben, indem

(1) wir eine Plansprache so erweitern, dass sie die autonome Sammlung von semantisch interpretierbaren Daten während der Ausführung von Roboter-Steuerungsprogrammen unterstützt;
(2) wir aus den gesammelten Daten autonom die Parameter und die Struktur von probabilistischen Modellen bestimmen sowie probabilistische Regeln für Planung ableiten; und
(3) wir neue lifted Inferenztechniken entwickeln, die auch die Anwendung von komplexen Modellen in Echtzeit ermöglichen können.

Die resultierenden Softwarekomponenten werden in einem Steuerungssystem für autonome Roboter umgesetzt und im Rahmen von Robotermanipulationsaufgaben, wie der Zubereitung einer einfachen Mahlzeit oder dem Aufräumen, in der realen Welt  empirisch evaluiert.

Phase 1 Projects

Autonomous Learning for Bayesian Cognitive Robotics


Project leaders: Michael Beetz (Bremen)

Researchers: Hartmut Messerschmidt (Bremen)

Administration: Sabine Veit, Lena Jacobs, Bremen, Doris Walter (München)

Associates: Matthew Mason (Pittsburg), Siddhartha Srinivasa (Pittsburg), Jeffrey Trinkle (New York State)

Summary:

Bayesian cognitive robotics is a novel paradigm for the knowledge-enabled control of  autonomous robots. The paradigm presumes that one of the most powerful ideas to equip robots with comprehensive reasoning capabilities is the lifelong autonomous learning of joint probability distributions over robot control programs, the behaviour they generate and the situation-dependent effects they bring about. Having learned such probability  distributions from experience, a robot can make predictions, diagnoses and perform other
valuable inference tasks in order to improve its problem-solving performance. In this proposal, leading research groups in cognition-enabled robot control, fast probabilistic learning and reasoning, and planning through probabilistic inference team up to collectively advance autonomous learning in Bayesian cognitive robotics by

(1) extending a plan language to allow the autonomous collection of semantically interpretable data,
(2) autonomously generating the structure and learning the parameters of
probabilistic models and inducing probabilistic rules for planning, and
(3) developing novel lifted inference techniques that can enable the application of even complex probabilistic models in real time.

The resulting software components will be integrated into a single autonomous robot  control system and empirically investigated in the context of human-scale and real world robot manipulation tasks such as preparing a simple meal or cleaning up a table.

Bayessche kognitive Robotik ist ein neues Paradigma für die wissensbasierte Steuerung autonomer Roboter. Diesem Paradigma liegt die Idee zugrunde, dass eine der  vielversprechendsten Möglichkeiten, Roboter mit umfassenden  Schlussfolgerungsfähigkeiten auszustatten, im lebenslangen autonomen Lernen von Verbundwahrscheinlichkeitsverteilungen über Robotersteuerungsprogrammen, dem Verhalten, das diese erzeugen, und den situationsabhängigen Eff ekten, die diese bewirken, besteht. Hat ein Roboter solche Verteilung aus Erfahrung gelernt, so kann er sie gezielt zum Zwecke der Vorhersage, der Diagnose oder für andere wertvolle Inferenzaufgaben einsetzen, die seine Problemlösungsfähigkeiten verbessern.
In diesem Antrag kommen führende Forschungsgruppen aus den Bereichen der kognitionsbasierten Robotersteuerung, des performanten probabilistischen Lernens und Schlussfolgerns sowie der Planung durch probabilistische Inferenz zusammen, um den Forschungsbereich der Bayesschen kognitiven Robotik voranzutreiben, indem

(1) wir eine Plansprache so erweitern, dass sie die autonome Sammlung von semantisch interpretierbaren Daten während der Ausführung von Roboter-Steuerungsprogrammen unterstützt;
(2) wir aus den gesammelten Daten autonom die Parameter und die Struktur von probabilistischen Modellen bestimmen sowie probabilistische Regeln für Planung ableiten; und
(3) wir neue lifted Inferenztechniken entwickeln, die auch die Anwendung von komplexen Modellen in Echtzeit ermöglichen können.

Die resultierenden Softwarekomponenten werden in einem Steuerungssystem für autonome Roboter umgesetzt und im Rahmen von Robotermanipulationsaufgaben, wie der Zubereitung einer einfachen Mahlzeit oder dem Aufräumen, in der realen Welt  empirisch evaluiert.