Wie programmiert man einen Doppelpass? Roboter spielen Fußball Illustrierte Einführung in die Robotik

Transkript

1 Wie programmiert man einen Doppelpass? Roboter spielen Fußball Illustrierte Einführung in die Robotik Hans-Dieter Burkhard Humboldt-Universität zu Berlin Institut für Informatik

2 2

3 RoboCup Fußball als Testfeld Jährliche Weltmeisterschaften und Konferenzen 3

4 Fußball als Testfeld: RoboCup Internationale Initiative zur Beförderung der Robotik und der Künstlichen Intelligenz Jährliche Weltmeisterschaft + Konferenz Organisiert durch die RoboCup Federation RoboCup Soccer Games RoboCup-Rescue RoboCup@Home RoboCupJunior Weltweit ca Mitglieder in ca. 40 Ländern Angemeldet in der Schweiz Präsidentin Manuela Veloso, CMU (Pitsburgh) 4

5 Die Vision Im Jahr 2050 mit autonomen humanoiden Robotern gegen den FIFA-Weltmeister spielen und gewinnen. 5

6 Schach vs. Fußball 1997: Deep Blue gewinnt gegen Weltmeister Kasparov SCHACH: Statisch 3 Minuten pro Zug Einzelne Aktion Einzelner Akteur Information: zuverlässig vollständig FUSSBALL: Dynamisch Sekundenbruchteile Folgen von Aktionen Team Information: Unzuverlässig unvollständig 6

7 Fußballspielende Roboter Herausforderung: Menschliche Dimensionen Körper Autonomie 7

8 Herausforderung: Humanoide Roboter kein schnelles Fahrzeug keine 6 Beine zum Kicken kein Ritter mit Rüstung keine Kanone keine Flügel keine Fernsteuerung Aber 8

9 Herausforderung: Humanoide Roboter Aber: - Voll autonom - Gestalt wie ein Mensch: Arme, Beine,, Haut, - Bewegungen: laufen, springen, greifen, tragen - Verständnis der Welt - Zweckmäßiges Verhalten - Kommunikation und Kooperation Ein Roboter, der Fußball spielt und versteht, kann auch in der U-Bahn mitfahren. 9

10 Menschenähnliche Roboter? Geistig Intelligenz? Bewusstsein? Freier Wille? Körperlich Erscheinungsbild Aufrechter Gang Pro: Einsatz in normaler Umgebung Medizinische Techniken, Prothetik Fragen zum Umgang mit Robotern: Maschine oder Partner? Konkurrenz zum Menschen? 10

11 Menschenähnliche Roboter Erkenntnisproblem Körper und Geist: Gibt es (natürliche) Intelligenz ohne Körper? Technikproblem Gibt es Computer-Intelligenz ohne Körper? 11

12 RoboCup: Aktueller Stand Vollständig autonomes Verhalten Eigene Wahrnehmung Selbständige Entscheidung Körper: Wettbewerbe in mehreren Klassen: Middle Size (50 cm Durchmesser) Small Size (18 cm Durchmesser) Standard Liga (Aibo, Nao) Simulation (2D, 3D) Humanoide (auf primitive Art) 12

13 MiddleSizeLeague 13

14 Small Size League 14

15 Humanoid League 15

16 RoboCup Nao 16

17 17

18 RoboCup Simulation 2D Aktionen kick,dash,turn, turn-neck, catch, say,.. Sensorik see, sense-body, hear,... Coach Coach 18

19 Spielfeld Simulationsliga (Stand 1998) 19

20 20

21 21

22 22

23 23

24 Asynchrone Zeiten in 2D-Simulationsliga Sichtinformation wahlweise alle 75,150 oder 300 ms in entsprechend unterschiedlicher Qualität 24

25 Weltmodell starts, in, contemporary bezeichnen Beziehungen zwischen Intervallen (aus Dissertation Andrea Miene - Bremen, 2003) 25

26 RoboCup Simulation 3D Physikalische Simulation (mit ODE) Vereinfachte Wahrnehmung analog zu 2D-Simulationsliga 26

27 1997 Nagoya 1998 Paris 1999 Stockholm 2000 Melbourne 2001 Seattle 2002 Fukuoka 2003 Padua 2004 Lisbon 2005 Osaka 2006 Bremen 2007 Atlanta 2008 Suzhou 2009 Graz 2010 Singapore 2011 Istanbul RoboCup Weltmeisterschaften Bremen 2006: 444 Teams mit ca Teilnehmern aus 36 Ländern 27

28 Wertung der klassischen Disziplinen (MiddleSize, SmallSize, Legged, Simulation 2D) Germany USA Japan Australia China Singapore Portugal France Iran Netherlands Italy Russia Thailand UK 1.Place Place Place Points

29 RoboCup Organisation Regionale Wettbewerbe: XXX RoboCup Open organisiert durch National-Komitees Deutsches Nationalkomitee: Arbeitskreis in der Gesellschaft für Informatik RoboCup German Open weltweit größte regionale Veranstaltung im RoboCup HNF Paderborn Hannover-Messe Magdeburg 29

30 RoboCup an der HU Berlin AT Humboldt (Virtueller Fußball: Simulationsliga) Weltmeister Nagoya 1997 Vizeweltmeister Paris 1998, Lissabon 2004 (3D) Aibo-Team Humboldt (Sony Four Legged League) Deutscher Meister Paderborn 2001, 2004 Deutscher Vizemeister Paderborn 2002, 2003, 2005 German Team (Sony Four Legged League) (Berlin, Bremen, Darmstadt, Dortmund) Sieger Technical Challenge Padua2003, Atlanta 2007 Weltmeister Lissabon 2004, Osaka 2005, Suzhou 2008 Humanoid Team Humboldt (2006/07) NaoTeam Humboldt (SPL seit 2008, 3D seit 2010) 30

31 Technik und Visionen in der Geschichte Mobilität: Züge, Autos Fliegen: Flugzeuge Mondlandung: Raumfahrt Künstliche Intelligenz: Schach 31

32 Technik und Visionen in der Geschichte Mobilität: Züge, Autos Fliegen: Flugzeuge Jetzt: Zeit für Roboter Mondlandung: Raumfahrt Künstliche Intelligenz: Schach 32

33 Forschung und Wettbewerb Kreative Lösungen gesucht für Bewegungsformen Antriebe Sensoren Wahrnehmung Energieversorgung Entscheidung 33

34 Forschung und Wettbewerb 10 Jahre RoboCup 2006 Melbourne 2000 Bremen

35 4-Legged League 1999: Langsamer Lauf Nur Geradeaus (Laufen Drehen Laufen ) 2006: Schneller omnidirektionaler Lauf Viele unterschiedliche Kick-Varianten Fallrückzieher (German Team)

36 Humanoid League 2002: Langsamer Lauf Nur Geradeaus (Laufen Drehen Laufen ) Vision (Team Osaka) Schneller omnidirektionaler Lauf Viele unterschiedliche Kick-Varianten 36

37 Aktuelle Herausforderungen Unter freiem Himmel Bei jedem Wetter 37

38 Aktuelle Herausforderungen Größere Teams ( ) Gemischte Teams unterschiedlicher Institutionen (auch kommerzielle Hersteller) 38

39 Aktuelle Herausforderungen für Humanoide Bewegung: Rennen, Springen, Dribbeln, Unterschiedliche Kicks (Fuß, Kopf, ) Wahrnehmung: Resultate anderer Ligen übernehmen Koordination: Resultate anderer Ligen übernehmen Schneller Fortschritt möglich - wenn Bewegungsprobleme gelöst werden 39

40 Ziele für die Forschung Roboter sollen 2050 gewinnen: Was brauchen wir 2050? Um es 2050 zu können: Was brauchen wir 2040? Um RoboCup es 2040 Roadmap: zu können: Was brauchen wir 2030? Jährlich Um es Festlegung 2030 zu können: von weiteren Was brauchen Anforderungen wir 2020? Um es 2020 zu können: Was brauchen wir 2010? Was müssen wir wissen? Wer kann helfen?

41 RoboCup Roadmap Schritte für folgende Jahre: Umgebung (Feld, Beleuchtung, ) Spieler (Gestalt, Größe, ) Teams (Anzahl der Spieler, Rollen, ) Neue Ligen (auch Anwendungen) 41

42 RoboCupRescue 42

43 Roboter in Haus und Garten 43

44 RoboCup Junior Soccer Tanz Rescue bbb Bundesweite Initiative RoboCupJunior zum Informatikjahr

45 Bau von Robotern Energie Material Sensoren Wahrnehmung Steuerung Aktorik Nachbildung natürlicher Systeme Ausnutzung maschineller Vorteile 45

46 Hardware + Software für Bewegung (Aktoren + Ansteuerung) Wahrnehmung (Sensoren + Auswertung) Steuerung (Computer + Steuerprogramm) Sense-think-act-Zyklus 46

47 Sense-think-act Zyklus sense input sense think act act think output time 47

48 Sense-think-act Zyklus Synchronisations-Probleme input act sense think sense think? act output time 48

49 Äußeres Erscheinungsbild Einstein3.wmv Hanson Robotics 49

50 Energie Oscar Pistorius 50

51 Körper: Arme, Beine, Motoren,... Nao von Aldebaran 21 Servo-Motoren: 2 für den Kopf 4 pro Arm 5 pro Bein 1 Hüfte 500 MHz CPU (x86 AMD Geode) 51

52 Laufen Beinbewegung 52

53 Laufen Beinbewegung 53

54 Laufen Beinbewegung 54

55 Laufen a α α a cos α a b a sin α β b b cos β b sin β Beinbewegung modellieren 55

56 Laufen a α? a cos? a b a sin? β? b b cos? b sin? Welche Winkel ergeben die gewünschte Bewegung? 56

57 Komplexe Berechnungen Wie laufen Menschen ohne Physik und Mathematik? 57

58 Laufen Lernen Ausprobieren verschiedener Winkel Bewerten der Ergebnisse ( Loben ) Beste Winkel werden gelernt Am besten alles automatisch 58

59 Maschinelles Lernen Evolutionäre Algorithmen Verstärkungslernen Fallbasiertes Schließen Neuronale Netze 59

60 Proprioception: Körpergefühl 60

61 Biologically Inspired Robotics Emergentes Verhalten verwendet Situierheit in der realen Welt Viele Sensoren Lokale Prozesse Sensor-Aktor-Kopplung Neuronale Netze 61

62 Beschleunigungs-Sensoren der A-Serie Accelboards: Real Time (10ms cycle) C/Assembler Lokale Verarbeitung ABSR ABAR ABHR ABML ABAL ABHL ABFR ABFL 62

63 Aktuelle Experimente Lokale Steuerung durch Rekurrente Neuronale Netze 63

64 Physik: Er läuft (fast) von allein Dynamic walker 64

65 Biologische Modelle Blickhan, Seyfarth (Jena) 65

66 Energie Oscar Pistorius 66

67 Andere Formen der Fortbewegung RHex Project 67

68 Sehen und Erkennen 68

69 Sehen und Erkennen Interpretationen im Wettstreit 69

70 Sehen und Erkennen Interpretationen im Wettstreit 70

71 Sehen und Erkennen Interpretationen im Wettstreit 71

72 Sehen und Erkennen Interpretationen im Wettstreit 72

73 Bildverarbeitung Interpretationen im Wettstreit 73

74 Sehen und Erkennen Was sieht der Roboter? Woran erkennt er den Ball? Der Ball ist orange. Der Ball ist rund. Der Ball hängt nicht an der Decke. Der Ball bewegt sich geradeaus. 74

75 Sehen und Erkennen Was sieht der Roboter? Woran erkennt er den Ball? Der Ball ist orange. Der Ball ist rund. Der Ball hängt nicht an der Decke. Der Ball bewegt sich geradeaus. 75

76 Sequentielles Sehen 76

77 Sequentielles Sehen 77

78 Paralleles Sehen 78

79 Sehen und Erkennen 79

80 Sehen und Erkennen 80

81 Diplomarbeit Matthias Jüngel 81

82 Weitere Sensoren Erfassung der Außenwelt und des internen Zustands Entfernungsmessung Berührung Schall Lage/Bewegung/Beschleunigung Gelenkstellung 82

83 Navigation on the Soccer Field Sensory data by camera image are incomplete and noisy 30 images per second in real time Where am I? 83

84 Navigation on the Soccer Field Badly posted problem: Reconstruction of 3D scene from 2D image But: Much information in image - Humans could localize 84

85 Navigation on the Soccer Field Robot can use information from Last position Last motion (odometry) Actual sensor information (image) All information is noisy 85

86 Navigation on the Soccer Field Noise in perception leads to different beliefs about position 86

87 Navigation on the Soccer Field Reality: Where I am and go to x(t-1) u(t) x(t) 87

88 Navigation on the Soccer Field Reality: Where I am and go to x(t-1) u(t) x(t) x (t-1) x (t) Belief: u(t) Where I belief to be and to go 88

89 Navigation on the Soccer Field Reality: Where I am and go to x(t-1) u(t) x(t) x z (t) Belief: Where I should be according to perception x (t-1) Belief: u(t) Where I belief to be and to go x (t) z(t) Reality: What I see (with noise) z (t) Belief: What I expect to see 89

90 Navigation on the Soccer Field Reality: Where I am and go to x(t-1) x (t-1) u(t) Belief: u(t) Where I belief to be and to go x (t) x(t) x (t) x z (t) z(t) Belief: Where I should be according to perception New Belief: Where I belief to be now Reality: What I see (with noise) z (t) Belief: What I expect to see 90

91 Navigation on the Soccer Field Belief modeling using Bayes Filters Initially: a-priori belief According to motion u t : Where did I go to? According to perception z t+1 : Where would I perceive that? 91

92 Navigation on the Soccer Field Belief modeling using Bayes Filters Initially: Bel(x 0 ) According to motion u t : bel (x t+1 ) = P(x t+1 x t,u t ) Bel(x t ) dx t ) According to perception z t+1 : Bel (x t+1 ) = α P( z t+1 x t+1 ) bel(x t+1 ) with normalizing α = Bel(x t ) dx t 92

93 Navigation on the Soccer Field Monte Carlo Localization (Particle Filter) approximates position 93

94 Navigation using Constraints Robot sees a goal post at distance d Constraint: Robot position is on a circle with radius d 94

95 Navigation using Constraints Robot sees a line at distance d Constraint: Robot position is in one of the boxes 95

96 Navigation using combined Constraints C 1 Robot sees angle between goal posts: C1 96

97 Navigation using combined Constraints C 4 C 2 C 6 Robot sees ball before penalty line: C2 (line) and ball at distance d: C3 (circles) and left goal post and ball on a line: C4 (lines) C 3 combination C6 = C2 C3 C4 97

98 Navigation using combined Constraints C 4 C 2 C 6 C 3 C 1 C 7 =C 1 C 6 (red crosses) 98

99 Navigation using combined Constraints Use Techniques from Constraint Propagation: Locally consistent restrictions (projections and intervals) 99

100 Navigation using combined Constraints Advantages Immediate interpretation (particle filters have delays) Fast calculation using more information Ambiguity and noise can be measured Communication between robots Problems Handling of inconsistent information 100

101 Erkennen + Denken + Handeln: Wo bin ich? Wo ist der Ball? Wo sind die anderen? Was machen die anderen? Was mache ich jetzt 101

102 Bewusstes Handeln Ich sehe das Licht links vor mir. Ich will zum Licht. Dafür muss ich nach links vorn gehen. Dafür muss ich mich nach links drehen und vorwärts laufen. Dafür muss ich das rechte Rad stärker drehen. usw. Alternativ: Reflexe 102

103 Reflexe Lichtliebhaber Braitenberg Vehikel Lichtscheu Alternativ: Bewusstes Handeln 103

104 Reflexe (Stimulus-Response, reaktiv ) Zum Ball laufen Sensor-Aktor-Kopplung (vgl. Braitenberg-Vehikel) 104

105 Reflexe (Stimulus-Response, reaktiv ) Hindernis vermeiden Komplexe Verhaltensweisen aus einfachen kombinieren 105

106 Zielgerichtetes Verhalten Handeln gemäß selbst gesetzter Ziele 106

107 Plan für Kooperation Kooperation Gemeinsame Absicht (Doppelpass) 107

108 Schwarmverhalten Die erste passende Regel wird ausgeführt: Wenn du beim Ball bist und das gegnerische Tor siehst: Kick den Ball. Wenn du beim Ball bist: Dreh dich um den Ball. Wenn du den Ball siehst: Laufe zum Ball. Dreh dich bist du den Ball siehst. 108

109 Schwarmverhalten Die erste passende Regel wird ausgeführt: Wenn du beim Ball bist und das gegnerische Tor siehst: Kick den Ball. Wenn du beim Ball bist: Dreh dich um den Ball. Wenn du den Ball siehst: Laufe zum Ball. Dreh dich bist du den Ball siehst. Resultat: Alle laufen zum Ball. 109

110 Schwarmverhalten: Alternative Realisierung Die erste passende Regel wird ausgeführt: Wenn du beim Ball bist und das gegnerische Tor siehst: Kick den Ball. Wenn du beim Ball bist: Dreh dich um den Ball. Wenn du den Ball siehst: Laufe zum Ball. Wenn du nicht in Deiner Region bist: Laufe auf deine Stammposition. Dreh dich bist du den Ball siehst. 110

111 Schwarmverhalten: Alternative Realisierung Die erste passende Regel wird ausgeführt: 1. Wenn du beim Ball bist und das gegnerische Tor siehst: Kick den Ball. 2. Wenn du beim Ball bist: Dreh dich um den Ball. 3. Wenn du den Ball siehst: Laufe zum Ball. 4. Wenn du nicht in Deiner Region bist: Laufe auf deine Stammposition. 5. Dreh dich bist du den Ball siehst. Für Roboter mit beschränkter Sichtweite (!) 111

112 Schwarmverhalten: Alternative Realisierung Die erste passende Regel wird ausgeführt: Wenn du beim Ball bist und das gegnerische Tor siehst: Kick den Ball. Wenn du beim Ball bist: Dreh dich um den Ball. Wenn du den Ball siehst und der nächste am Ball bist: Laufe zum Ball. Wenn du nicht in Deiner Region bist: Laufe auf deine Stammposition. Dreh dich bist du den Ball siehst. 112

113 Koordination und Kommunikation Koordination ist ohne Kommunikation möglich. 3. Wenn du den Ball siehst und der nächste am Ball bist: Laufe zum Ball.. Beobachtung der Situation. Annahmen dazu, was der andere in dieser Situation macht. (es reicht oft schon, wenn der Programmierer das weiß) 113

114 Komplexere Verhaltensweisen: Mit Zustand Vergangenheit: Weltmodell (z.b. nicht mehr gesehener Ball) Simulation im Modell (Bewegungen antizipieren) Zukunft: Ziele/Pläne 114

115 Wie programmiert man einen Doppelpass? 1. Versuch ( Schach ): Vorausschauende Simulation Wahl der besten Alternative 115

116 Doppelpass Ziel: Gegner überwinden aber wie? Aktionenfolge: Dribbeln passen Laufen Annehmen Begrenzte Information Begrenzte Zeit 116

117 Wie programmieren? Wahrnehmung: Was ist die aktuelle Situation? Wo bin ich? Wo sind die anderen, was machen sie? Entscheidung: Was sind meine Möglichkeiten? Was möchte ich? Wie kann ich das erreichen? Aktion: Was mache ich jetzt? Was sage ich jetzt? Probleme abhängig von der Umgebung 117

118 Wo ist der Ball erreichbar? Abschätzen ( nach Gefühl ) Lernen Berechnung Simulation 118

119 Wer ist zuerst am Ball? Verwenden Wo ist der Ball erreichbar? 119

120 Hysteresis-Problem. 3. Wenn du den Ball siehst und der nächste am Ball bist: Laufe zum Ball.. Was passiert, wenn zwei Spieler nahezu gleich weit vom Ball entfernt sind? (Problem unscharfer Wahrnehmungen.) 120

121 Wohin passen? Verwenden Wer ist zuerst am Ball? (Verwenden Wo ist der Ball erreichbar? ) 121

122 Wie programmiert man einen Doppelpass? 1. Versuch ( Schach ): Vorausschauende Simulation Wahl der besten Alternative Resultat: Nur für kurzfristige Aktionen brauchbar 122

123 Wie programmiert man einen Doppelpass? 2. Versuch ( Emergenz ): Wenn sich jeder zeitnah optimal verhält, ergibt sich ein Doppelpass von allein. Resultat: Doppelpass emergiert gelegentlich 123

124 Wie programmiert man einen Doppelpass? 3. Versuch: Beschränkte Rationalität nachbilden Belief-Desire-Intention-Architektur (BDI) Zur Zeit in Arbeit 124

125 Wie programmieren? Wahrnehmung: Was ist die aktuelle Situation? Wo bin ich? Wo sind die anderen, was machen sie? Entscheidung: Was sind meine Möglichkeiten? Was möchte ich? Wie kann ich das erreichen? Aktion: Was mache ich jetzt? Was sage ich jetzt? Probleme abhängig von der Umgebung 125

126 Konzept: (Beschränkte) Rationalität Rational Choice: Agenten maximieren ihr Ergebnis Benötigt genaue Kenntnis der Konsequenzen Kritik (Simon): Bounded Rationality Nur beschränkt Informationen verfügbar Nur beschränkte Ressourcen für Entscheidungen 126

127 BDI-Approach (Bratman, 1987) Bratman, M. E. (1987). Intentions, Plans, and Practical Reason. Harvard University Press: Cambridge, MA. Belief: Wie der Agent die Situation sieht Desires: Was der Agent gern hätte Intentions: Wozu sich der Agent entschließt Populärer Ansatz in Agenten-orientierten Techniken 127

128 BDI-Ansatz: Umgang mit Konflikten Konflikte sind zu lösen Lösung verbraucht Ressourcen Konsistenz: Wünsche (Desires) können inkonsistent sein Absichten (Intentions) müssen konsistent sein Absichten definieren screen of admissibility: Nur solche Wünsche auswählen, die mit existierenden Absichten verträglich sind 128

129 BDI-Ansatz: Umgang mit Konflikten Stabilität vs. Flexibilität Verrauschte Daten können zu Oszillationen führen 129

130 BDI-Ansatz: Umgang mit Konflikten Alte Absicht beibehalten + Stabilität + Zuverlässigkeit, Vorhersagbarkeit (Kooperation!) - Festhalten an schlechten Varianten (Fanatismus) Übergang zu neuer Absicht + Anpassung an neue Situation - Oszillationen Müssen alte und potenzielle neue Absichten betrachten Screen of admissibility bevorzugt Stabilität (alte Absicht). 130

131 Time 5 10 Analysis of situation <situation description> 5 10 Dribbling on path <???> Kick with parameters <???> to team mate 10 Run on path <???> over opponent 7 Run to ball on path <???> kicked by team mate 10 Intercept ball at point <???> optimal intercept point 131

132 Time 5 20 Analysis of situation <situation description> Dribbling on path <path parameters> Kick with parameters <ball speed vector> Run on path <path parameters> Run to ball on path <path parameters> Intercept ball at point <position> 132

133 Hierarchy of Options PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Kick Dribble Pass Run Reposition Intercept

134 Result of Deliberator : Intention Subtree PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Kick Dribble Pass Run Reposition Intercept

135 Activity Path: Present state of an Intention PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Dribble Kick Pass Run... Reposition Intercept Executor... checks conditions on all... levels of the hierarchy and decides by least commitment principle 135

136 Activity Path: Present state of an Intention PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Dribble Kick Pass Run Pass ready, next: Run Reposition Intercept

137 Double-Pass Architecture Predefined Option Hierarchy Deliberator Executor Doubled 1-Pass-Architecture: 1. Pass: Deliberator (goal-oriented: Intention Subtree) 2. Pass: Executor (stimulus-response: activity path) - on all levels - Differences to classical Programming Control flow by Deliberation ( Agent- oriented ) Runtime organisation by 2 Passes through all levels 137

138 Pläne können fehlschlagen 138

139 Pläne können fehlschlagen PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Dribble Kick Pass Run Reposition Intercept

140 Alternativer Aktivitätspfad PlaySoccer Offensive Defensive... Score DoublePass/1 DoublePass/2... ChangeWings/1... Attack OffsideTrap Dribble Kick Pass Run Reposition Intercept

141 Other Approach: Case Based Reasoning Acting by experience: What did I do last time in this situation? 141

142 Programmierung von Fußball-Robotern Was können wir lernen? Fußball umfasst viele Probleme einer Alltagsumwelt Alltags-Intelligenz verstehen lernen Ähnliche Fähigkeiten für Lösen von Problemen Roboter können (aber müssen nicht) nach gleichen Methoden gebaut werden. Es ist eigentlich unwichtig, ob Roboter 2050 im Fußball gewinnen

143 Dank an RoboCup Federation RoboCup Teams in aller Welt Deutsche Forschungsgemeinschaft (DFG) Bundesministerium für Bildung und Forschung (BMBF) Arbeitsgruppe Künstliche Intelligenz der HU Berlin Sponsoren Sony, DaimlerChrysler, Empolis, PSI, WISTA, Think-Cell 143

144 Auf Wiedersehen zur RoboCup German Open 2011 in Magdeburg! Danke! 144