Schlagwort: ‘PDDL’
Robot Cooking – Überführung von Beobachtungen in eine Planungssprache
Überführung von Beobachtungen in eine Planungssprache: Ein automatisierter Ansatz im Bereich des Kochen
Im Robot Cooking Projekt wird eine automatisierte Methode entwickelt, um Bewegungsdaten zu analysieren, identifizieren und in eine maschinenlesbare Planungssprache zu überführen. Dies geschieht am Beispiel eines Kochszenarios, indem die Bewegungsdaten durch die Aufzeichnung der Handpose des Kochs erfasst werden.
Die Aufzeichnung erfolgt mit einem Motion-Capture-System, bestehend aus sieben Kameras und einem Handschuh mit drei Markern auf dem Handrücken des Kochs. Die Position der Marker wird durch Triangulation bestimmt. Dies liefert genügend Informationen, um die Handpose abzuleiten. Die Aufnahme erfolgt mit 120 Bildern pro Sekunde. Vor dem Kochvorgang werden alle Objekte im Arbeitsraum identifiziert und ihre Ausgangspositionen bestimmt. Die Bewegungsdaten werden kontinuierlich aufgezeichnet und in Posen mit Zeitstempeln umgewandelt. Zusätzliche Informationen wie Geschwindigkeit, Beschleunigung und Winkel in Bezug auf die Tischplatte werden aus den Rohdaten abgeleitet.
Eine erste Strukturierung des Datensatzes erfolgt durch die Identifizierung der Nebenhandlungen mittels Klassifikation. Hierbei werden Greifen, Bewegen und Ablegen als wiederkehrende Handlungen erkannt. Ein eigener Trainingsdatensatz wird verwendet, um einen Klassifikator zu trainieren, der diese Handlungen erkennt. Dies ermöglicht eine einfachere Analyse der verbleibenden Aktionen.
Das Clustering wird angewendet, um unbekannte Aktionen zu identifizieren. Ein dynamischer Ansatz ermöglicht die Analyse trotz hoher Variabilität in der Ausführung. Ein eindeutiger Fingerabdruck für jede Handlung wird gefunden, basierend auf der Ausrichtung des Handrückens und seiner Geschwindigkeit auf der Tischebene, um jedes Einzelbild einem Cluster und schließlich einer Aktionen zuzuordnen.
Die gewonnenen Erkenntnisse aus Klassifikation und Clustering werden in eine maschinenlesbare Planning Domain Definition Language (PDDL) übersetzt. Ein Zeitplan wird erstellt, wobei bekannte Aktionen direkt zugeordnet werden. Start- und Endpositionen werden festgelegt, und virtuelle Objektverfolgung wird verwendet, um den Verlauf von Objekten während des Kochens darzustellen. Für unbekannte Aktionen werden Vorbedingungen und Auswirkungen dynamisch gehandhabt. Die Ergebnisse werden in eine maschinenlesbare PDDL übersetzt. Diese formale Darstellung ermöglicht die effiziente automatische Planung und Ausführung der zuvor demonstrierten Kochaufgabe.
Zusätzliche Informationen sind im oben verlinkten Video, dem Poster und dem Paper verfügbar.
Ansprechpartner:
Markus Schmitz
Integrierte AI-Aufgabenplanung und Schraubenerkennung in einem Fertigungsszenario
Der an dieser Stelle eingebundene Inhalt führt Sie auf Seiten, die von der von Google betriebenen Seite YouTube - YouTube, LLC, 901 Cherry Ave., San Bruno, CA 94066, USA - zur Verfügung gestellt werden. Mit dem Aufruf des Inhalts kann YouTube Ihre IP-Adresse und die Sprache des Systems, sowie verschiedene browserspezifische Angaben ermitteln. Wenn Sie in Ihrem YouTube-Account eingeloggt sind, ermöglichen Sie YouTube, Ihr Surfverhalten direkt Ihrem persönlichen Profil zuzuordnen. Dies können Sie verhindern, indem Sie sich aus Ihrem YouTube-Account ausloggen. YouTube verwendet Cookies und Tracking-Tools. Die Datenverarbeitungsvorgänge sowie die Zwecke der Verarbeitung können direkt bei YouTube erfragt und eingesehen werden.
Das Video findet ihr auch auf unserem Youtube-Kanal.
Ansprechpartner:
Daniel Gossen
Frohe Weihnachten und frohes neues Jahr!
Der an dieser Stelle eingebundene Inhalt führt Sie auf Seiten, die von der von Google betriebenen Seite YouTube - YouTube, LLC, 901 Cherry Ave., San Bruno, CA 94066, USA - zur Verfügung gestellt werden. Mit dem Aufruf des Inhalts kann YouTube Ihre IP-Adresse und die Sprache des Systems, sowie verschiedene browserspezifische Angaben ermitteln. Wenn Sie in Ihrem YouTube-Account eingeloggt sind, ermöglichen Sie YouTube, Ihr Surfverhalten direkt Ihrem persönlichen Profil zuzuordnen. Dies können Sie verhindern, indem Sie sich aus Ihrem YouTube-Account ausloggen. YouTube verwendet Cookies und Tracking-Tools. Die Datenverarbeitungsvorgänge sowie die Zwecke der Verarbeitung können direkt bei YouTube erfragt und eingesehen werden.
Wir wünschen euch eine schöne Weihnachtszeit und einen guten Rutsch ins neue Jahr! Bleibt gesund 💙 #merrychristmas #happynewyear
Ansprechpartner:
KI Aufgabenplanung im EU-Projekt Sharework
Die Automatisierte Aufgabenplanung eingesetzt im EU-Projekt Sharework.
Ein neuer IGMR-Blogeintrag wurde auf der Internetseite des EU-Projekts Sharework veröffentlicht. Es werden die Herausförderungen der Aufgabeplanung für gemischte Teams von Menschen und Roboter, sowie unsere Lösung dazu vorgestellt. Automatisierte Aufgabenplanung und eine modifizierte Version des Frameworks ROSPlan werden dafür eingesetzt. Sie finden mehr Detail im Text und im verlinkten Video des Blogposts.
Sharework-Blog:
Task Planning coordinates the actions of mobile manipulators, such as humans and robots
Ansprechpartner:
Prof. Mathias Hüsing
KI Aufgabenplanung erklärt
Die Künstliche Intelligenz Aufgabenplanung erklärt anhand eines Industrie-Szenarios.
Der an dieser Stelle eingebundene Inhalt führt Sie auf Seiten, die von der von Google betriebenen Seite YouTube - YouTube, LLC, 901 Cherry Ave., San Bruno, CA 94066, USA - zur Verfügung gestellt werden. Mit dem Aufruf des Inhalts kann YouTube Ihre IP-Adresse und die Sprache des Systems, sowie verschiedene browserspezifische Angaben ermitteln. Wenn Sie in Ihrem YouTube-Account eingeloggt sind, ermöglichen Sie YouTube, Ihr Surfverhalten direkt Ihrem persönlichen Profil zuzuordnen. Dies können Sie verhindern, indem Sie sich aus Ihrem YouTube-Account ausloggen. YouTube verwendet Cookies und Tracking-Tools. Die Datenverarbeitungsvorgänge sowie die Zwecke der Verarbeitung können direkt bei YouTube erfragt und eingesehen werden.
Die Automatisierte Aufgabenplanung soll den Robotereinsatz in flexiblen Umgebungen unterstützen.
Die traditionelle Roboterprogrammierung als Teilbereich der Arbeitsvorbereitung stellt individuelle Produktionen mit kleinen Stückzahlen vor große Herausforderungen. Die Automatisierte Aufgabenplanung verspricht als Lösungsansatz die Probleme zu beheben.
Im Video wird neben der Einführung und Einordnung der Automatisierten Aufgabenplanung dargestellt, welche Schritte zur Implementierung notwendig sind und welche Vorteile durch ihren Einsatz entstehen.
Das Konzept wurde im Rahmen der Forschung am IGMR anhand einer Simulation validiert, die in den Beispielen des Videos verwendet wird.
Ansprechpartner:
IGMR Seminar: Dr. Michael Cashmore – Plan-Based Robot Control in Real-Time
Mit dem Vortrag von Dr. Miachel Cashmore von der University of Strathclyde startet die virtuelle IGMR Vortragsreihe im Wintersemester 20/21. Wir freuen uns auf einen Einblick in ROSPlan und Plan-Based Robot Control in Real-Time.
Mittwoch, 2. Dezember 2020 16:30 Uhr in Zoom Zoom Meeting Informationen: https://rwth.zoom.us/j/98454895570?pwd=NkpiSWkyaTJtdWlralJrSUtnMDdDZz09 Meeting-ID: 984 5489 5570, Kenncode: 186393
Die Datenschutzhinweise zur Nutzung von Zoom und eine Handreichung für Teilnehmer (Studierende) können von den Seiten des CLS der RWTH Aachen University heruntergeladen werden.
The topic of the seminar will focus on the numerous temporal and numeric challenges that arise in plan execution. If a plan is produced with some flexibility, how it can be executed? In this context the properties of temporal controllability, robustness envelopes, replanning in-situ, and planning concurrently to execution, deliberation in a system of distributed components, in which your actions can affect other parts of a larger system will be discussed.
Die Veranstaltungen im Wintersemester 2020/2021 werden in Zusammenarbeit mit dem VDI-GPP-Arbeitskreis des Bezirksvereins Aachen durchgeführt.
