Flexible diskret-kontinuierliche Überwachung und Regelung humanoider Roboter

Transkript

1 Methoden at 1/2013 Flexible diskret-kontinuierliche Überwachung und Regelung humanoider Roboter Flexible Discrete-Continuous Supervisory Control for Humanoid Robots Giulio Milighetti, KUKA Laboratories GmbH, Augsburg, Christian Bauer, Ralf Mikut, Karlsruher Institut für Technologie (KIT), Helge-Björn Kuntze, Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung, Karlsruhe Korrespondenzautor: Zusammenfassung Die Regelung humanoider Roboter stellt nicht nur hohe Anforderungen an den Entwurf der kognitiven Architektur und der Hardwarekomponenten, sondern auch an die Planungs-, Regelungs- und Überwachungskomponenten, die die Lücke zwischen der Kognition und der Hardware schließen. Dieser Beitrag baut auf einer Übersicht über aktuelle Trends bei Industrie- und Servicerobotern auf und präsentiert ein generisches Lösungskonzept in Form eines modularen, multisensoriellen, diskret-kontinuierlichen Regelungsund Überwachungskonzepts. Hierbei wird insbesondere die Zerlegung komplexer Aktionen in einzelne Grundgeschicklichkeiten mit integrierten Regelungs- und Überwachungslösungen beschrieben. Summary Control of humanoid robots makes great demands not only on the development of cognitive functions and hardware components, but also on the design of planning, supervision and control methods, which establish the connecting element between cognition and hardware. Starting with an overview about current trends in the field of industrial and service robotics, we present in this contribution a general concept for a modular multisensory discrete-continuous supervisory control. We will analyze in particular the decomposition of complex robot actions in a sequence of primitive actions, each with integrated control and supervision solutions. Schlagwörter Humanoide Roboter, diskret-kontinuierliche Regelung, Überwachung, Reflexe, Multisensor-Fusion Keywords Humanoid robots, discrete-continuous control, supervision, reflexes, multisensor fusion 1 Einführung Humanoide Roboter sind universelle mobile Serviceroboter, die anspruchsvollere Aufgabenstellungen im privaten und beruflichen Umfeld autonom oder physikalisch interaktiv mit Menschen bewältigen können. Hierzu verfügen sie über eine menschenähnliche Gestalt, über Perzeptionseigenschaften und über ein intelligentes Entscheidungs- bzw. Regelverhalten [1]. Weltweit werden insbesondere in Deutschland (Armar [2], Justin [3], Lola [4]), Italien (icub [5]), Japan (Asimo [6], Toyota [7], HRP [8], Wabian [9]), Korea (Hubo [10]), Frankreich (NAO [11]) und den USA (Robonaut [12]) humanoide Roboter entwickelt, wobei je nach Projekt der Fokus entweder auf der Realisierung menschenähnlicher Bewegungen oder auf Serviceaufgaben liegt. Alle genannten Projekte sind überwiegend grundlagenorientierte Forschungsvorhaben, in denen zur Demonstration jeweils nur einzelne Roboter labormäßig realisiert wurden. Prognosen für eine schnelle Marktdurchdringung durch humanoide Roboter haben sich bislang nicht erfüllt, weil die Komplexität realistischer Aufgabenstellungen noch in einem Missverhältnis zu 16 at Automatisierungstechnik 61 (2013) 1 / DOI /auto Oldenbourg Wissenschaftsverlag

2 Überwachung und Regelung humanoider Roboter den erreichbaren intellektuellen Fähigkeiten der Roboter steht. Zudem ist das Preis-Leistungsverhältnis vieler Hardware- und Softwarekomponenten noch inakzeptabel. Dennoch sind inzwischen große Fortschritte bei der perzeptiven Überwachung und Regelung von Hardwarekomponenten für humanoide Roboter zu verzeichnen. Köpfe [13], Arme [3; 14] und Hände [3; 15] weisen eine konsequente Leichtbauweise, mechanische Nachgiebigkeiten und eine umfangreiche Ausstattung mit perzeptiven (z. B. sehenden, fühlenden und hörenden) Sensoren auf. Für deren Beherrschung bei der Realisierung von umweltinteraktiven Grundgeschicklichkeiten (engl. Basic Skills ) wurden intelligente modulare Überwachungs- und Regelungskonzepte entwickelt, die die unbekannte und zeitlich veränderliche Umwelt des Roboters berücksichtigen. Diese Konzepte sind nicht nur für humanoide Roboter, sondern auch ganz allgemein für die Handhabung fragiler Gegenstände und für komplizierte Montageaufgaben interessant, die mit herkömmlichen Industrierobotern nur schwer realisierbar sind. Gegenwärtig lässt sich daher der Trend beobachten, nicht komplette humanoide Roboter, sondern intelligente Teillösungen für Industrie- und Serviceroboter in Form von Hardware- und Software-Komponenten bis zur Marktreife zu entwickeln. Dazu müssen Regelungsund Überwachungskonzepte modular aufgebaut und mit existierenden Konzepten für Industrieroboter gekoppelt werden, um Ideen aus der Humanoiden Robotik auf zukünftige Generationen von Industrie- und Servicerobotern zu übertragen. Das umfasst u. a. die Integration von bildgestützten Regelungen (Visual Servoing), den Umgang mit Ausnahmesituationen, die Realisierung und Verknüpfung von Grundgeschicklichkeiten und die Integration humanoider Regelungs- und Überwachungsstrategien wie Reflexen [16]. Um humanoide Roboter und ihre modularen Komponenten zu befähigen, anspruchsvolle Aufgabenstellungen sowohl autonom als auch in Interaktion mit dem Menschen zu bewältigen, wird ein neuartiges diskretkontinuierliches sensorbasiertes Überwachungs- und Regelungskonzept benötigt, das sich auf eine breite Vielfalt anspruchsvoller Aufgabenstellungen des täglichen Lebens flexibel skalieren lässt. Mit der Entwicklung eines solchen ganzheitlichen Systemkonzeptes für intelligente humanoide Roboter beschäftigt sich der von 2001 bis 2012 laufende DFG-Sonderforschungsbereich SFB 588 Humanoide Roboter [17]. Über das hierbei entstandene multisensorielle diskret-kontinuierliche Überwachungs- und Regelungssystem wird in diesem Beitrag berichtet [18; 19]. Kapitel 2 gibt eine kurzgefasste Übersicht zum Stand der Technik und Forschung bei der Überwachung und Regelung von Robotern und diskutiert Gemeinsamkeiten und Unterschiede zwischen marktüblichen Industrie- und Servicerobotern und humanoiden Robotern. Anschließend wird das im SFB 588 entwickelte generische, multisensorielle, diskret-kontinuierliche Regelungs- und Überwachungskonzept vorgestellt (Kapitel 3) und dessen Funktionsund Leistungsfähigkeit anhand verschiedener Experimente demonstriert wird (Kapitel 4). 2 Übersicht zur Überwachung und Regelung der Roboterbewegung 2.1 Roboterregelung mit internen Sensoren Die Überwachung und Regelung von marktüblichen Robotern geht von der Näherungsannahme aus, dass die begrenzende Umwelt weitgehend bekannt ist bzw. Veränderungen (z. B. Förderband) sich vorausbestimmen lassen. Auf eine Perzeption und interaktive Regelung der räumlich beschränkten Umwelt mit externen (z. B. bild- oder kraftgebenden) Sensoren wird daher verzichtet. Die Regelung der kartesischen Position und Orientierung des Roboters erfolgt indirekt über die Positionsregelung der Roboterachsen, die standardmäßig mit internen Sensoren (z. B. Winkelkodierern) ausgerüstet sind. Für die Regelung der frei programmierten Punkt-zu-Punkt- oder Bahnbewegungen werden überwiegend leicht implementierbare einfache PID-Algorithmen eingesetzt [20]. Die dynamische Positioniergenauigkeit lässt sich durch modellbasierte Regelungskonzepte erheblich verbessern. Positionierungsfehler entstehen einerseits durch die nichtlineare dynamische Kopplung der Roboterachsen, besonders bei der schnellen Bewegung von leichten elastischen Strukturen, andererseits durch Reibung und Spiel in den Gelenken. Zur optimalen Ausregelung solcher Fehler wurden in der Vergangenheit unter Verwendung von analytischen Robotermodellen oder Neuro-Fuzzy- Methoden zahlreiche Lösungskonzepte entwickelt [21]. Zur Entkopplung der störenden Beeinflussung benachbarter Achsen wurden bisher verschiedene Regelungsalgorithmen vorgeschlagen, die das nichtlineare inverse Systemmodell (Bewegungsgleichungen) einbeziehen, um die Roboterbewegung global zu entkoppeln und zu linearisieren. Aufgrund der hohen Empfindlichkeit gegenüber Modellungenauigkeiten und Lastschwankungen werden jedoch nur vereinfachte Varianten dieses nichtlinearen Regelungskonzepts mit Feedforward-Entkopplung in marktüblichen Robotersteuerungen realisiert [22]. Adaptive Regelungskonzepte sind gegenüber Modellfehlern, besonders Lastschwankungen deutlich robuster. Sie basieren darauf, zur Regelung der Roboterachsen einfache lineare Algorithmen (z. B. PID) einzuführen, deren aktuelle Parameter mit Hilfe eines mitlaufenden rekursiv geschätzten Systemmodells oder eines Satzes heuristischer Fuzzy-Regeln ständig adaptiert werden [23]. Modellprädiktive Regelungsalgorithmen verwenden ebenfalls einfache interne Modelle, mit denen über einen begrenzten Prädiktionshorizont die jeweils optimalen Stellgrößen rekursiv bestimmt werden. Gegenüber anderen modellbasierten Konzepten können somit plötzliche Unstetigkeiten der Referenztrajektorie oder des Störgrößenverlaufes (z. B. Lastsprünge) voraus blickend besser ausgeregelt werden [21; 24]. 17

3 Methoden 2.2 Roboterregelung mit externen Sensoren Sobald sich Roboter in einer partiell unbekannten Umgebung mit zeitlich veränderlichen Hindernissen bewegen und zusätzlich mit Menschen physikalisch interagieren muss, ist ergänzend zur Überwachung und Regelung mit internen Sensoren die Perzeption mit verschiedenen externen aufgaben- oder situationsspezifischen (z. B. bildgebenden und/oder kraftgebenden) Sensoren erforderlich. Bei den hierfür verwendeten Überwachungs- und Regelungskonzepten ist prinzipiell zu unterscheiden zwischen kontaktbehafteter Roboterbewegung, bei der gewünschte Nachgiebigkeiten oder Kontaktkräfte einzuhalten sind, sowie kontaktfreier Roboterbewegung, bei der die Einhaltung definierter und sicherer (kollisionsvermeidender) Abstände zu den umgebenden Objekten im Vordergrund steht. Bewegung mit kraftschlüssiger Umweltinteraktion Die Überwachung und Regelung der Nachgiebigkeit (Impedanz) zwischen Roboter und Umwelt ist dann von zentraler Bedeutung, wenn der Roboter sicher und verletzungsfrei mit dem Menschen physikalisch interagieren soll, z. B. um große Gegenstände gemeinsam zu manipulieren. Impedanzregelungskonzepte gehen davon aus, Roboter und Kontaktobjekt als mechanisches Feder- Dämpfer-Masse-Modell abzubilden, dessen Parameter das mechanische Nachgiebigkeitsverhalten physikalisch anschaulich beschreiben. Über die gemessenen Kontaktkräfte, Gelenkmomente und Bewegungsgrößen (Weg, Geschwindigkeit, Beschleunigung) im Kontaktpunkt bzw. in den Roboterachsen werden die aktuellen Modellparameter geschätzt und so geregelt, dass ein gewünschtes Nachgiebigkeitsverhalten im Kontaktpunkt bzw. in den Roboterachsen eingehalten wird [25]. Die direkte Regelung von definierten Kontaktkräften bei der kontaktbehafteten Roboterbewegung ist besonders bei industriellen Umform- und Montageaufgaben von Bedeutung, bei denen definierte Umform- oder Fügekräfte sicherzustellen sind. Im Gegensatz zu den indirekt wirkenden Impedanzregelungskonzepten besteht das Ziel der direkten Kraftregelung darin, eine gewünschte Kontaktkraft durch die Kraft-Positionsregelung während der Bewegung konstant zu halten. Hierzu wurden bisher sowohl kaskadierte als auch hybride Kraft- Positionsregelungskonzepte entwickelt [25]. Aufgrund der noch unbefriedigenden Dynamik und der relativ hohen Kosten von Kraft-Momenten-Sensoren kam es bisher noch nicht zu einer breiten industriellen Einführung von direkten Kraftregelungskonzepten. Der zunehmende Bedarf an sicherer Mensch-Roboter- Kooperation (engl.: HRI Human Robot Interaction) bei komplexen Montage und Serviceaufgaben hat jedoch in den letzten Jahren zu einem zunehmenden Interesse für Impedanzregelungskonzepte geführt [14]. Die meisten Impedanz- und Kraftregelungen bleiben jedoch insensitiv gegenüber Kontakten hinter dem Kraft- Momenten-Sensor, solange keine Gelenkdrehmomente vorhanden sind. Bewegung mit kontaktfreier Umweltinteraktion Bei Aufgabenstellungen, bei denen der Roboter aus Sicherheitsgründen (Kollisionsgefahr) oder für eine spezifische Fertigungs- oder Montageanforderungen (z. B. Nahtschweißen) einen definierten Abstand zu seiner Umgebung halten muss, werden zunehmend bildgestützte Regelungskonzepte (engl.: VS Visual Servoing) eingesetzt. Anwendung finden hierbei sowohl einzelne als auch mehrere 2D- und 3D-Kameras oder PMD-Sensoren (engl.: PMD Photonic Mixing Device) in Verbindung mit einer geeigneten Auswertesoftware [26]. Die ersten VS-Konzepte wurden bereits zu Beginn der achtziger Jahre im Umfeld der Autoindustrie erfolgreich eingesetzt, wobei aufgrund der begrenzten Leistungsfähigkeit der Sensor-Hardware überwiegend quasistatische Look-and-Move -Anwendungen im Vordergrund standen (z. B. automatische Radmontage). Getrieben durch die Verfügbarkeit von immer schnelleren und billigeren Hardware-Komponenten wurde es zunehmend möglich, auch sehr dynamische, qualitativ anspruchsvolle VS-Aufgaben im Fertigungsumfeld zu lösen [20; 27; 28]. Hinsichtlich der Bildauswertung lässt sich die Vielzahl der bisher entwickelten VS-Regelungskonzepte unterteilen in [29; 30]: bildbasierte Visual-Servoing-Verfahren (BVS) positionsbasierte Visual-Servoing-Verfahren (PVS) hybride Visual-Servoing-Verfahren (HVS). Bildbasierte BVS-Verfahren arbeiten im zweidimensionalen Bildraum (2D-Visual-Servoing). Die vom Regler erzeugten Stellsignale hängen direkt von den extrahierten Bildmerkmalen und ihrer Änderungsdynamik ab. Das aktuelle Roboterbild in der Istposition wird mit dem Roboterbild in der Zielposition verglichen. Aus den Differenzmerkmalen berechnet der Regelungsalgorithmus dann zielführende Stellsignale für die unterlagerten Achsenregelkreise. Bei positionsbasierten PVS-Verfahren (auch als 3D-Visual-Servoing bezeichnet) wird mit Hilfe eines 3D-Modells und der aktuellen Bildinformation zunächst der dreidimensionale kartesische Positionsund Orientierungsfehler des Roboters bezüglich seiner Solltrajektorie oder seiner Zielposition berechnet. Aus der vektoriellen 3D-Abweichung ermittelt ein geeigneter Regelungsalgorithmus die korrigierenden bzw. zielführenden Stellsignale für die unterlagerten Achsenregelkreise. Verglichen mit PVS ist BVS bei kleinen Regelabweichungen wesentlich recheneffizienter. Nachteilig gegenüber PVS ist hingegen, dass die Konvergenz für größere Weglängen nicht global gesichert ist. Hybride HVS-Verfahren (oft als 2.5D-Visual-Servoing bezeichnet) kombinieren daher die Vorteile der BVS- und PVS- Verfahren. Im Gegensatz zu PVS benötigen sie kein 18

4 Überwachung und Regelung humanoider Roboter rechenaufwendiges 3D-Modell und konvergieren im gesamten Arbeitsraum des Roboters. Hinsichtlich der Entwicklung leistungsfähiger und robuster VS-Regler, die sehr schnell aus extrahierten Bildmerkmalen optimale Stellaktionen der Roboterantriebe realisieren, gibt es noch erheblichen Entwicklungsbedarf. So werden bei den meisten VS-Regelungskonzepten nur einfache proportional wirkende P-Regler eingesetzt, die a priori nur eine geringe Kreisverstärkung und daher stabilitätsbedingt nur langsame Roboterbewegungen zulassen. Für dynamisch anspruchsvollere Aufgabenstellungen ist die Einführung von intelligenteren modellprädiktiven Regelungskonzepten sowie der Einsatz von Potentialfeld-Methoden zukünftig unverzichtbar. 2.3 Humanoide Roboter Gegenüber marktüblichen Industrie- und Servicerobotern werden zukünftige humanoide Roboter über wesentlich fortgeschrittenere Fähigkeiten besonders hinsichtlich einer komplexeren Aufgabenbewältigung, einer umfassenderen perzeptorischen Umweltwahrnehmung und einer robusteren Körperstabilisierung verfügen, um in einer komplexen sich ständig verändernden Umwelt zu bestehen. Herkömmliche Planungs-, Überwachungs- und Regelungskonzepte können diesen Anforderungen nicht gerecht werden. Die Komplexität der Aufgaben humanoider Roboter wird dadurch gekennzeichnet, dass sie aus mehreren aufeinander folgenden Bewegungsphasen bestehen, in denen jeweils unterschiedliche Überwachungs- und Regelungsalgorithmen mit den dazu gehörenden Sensoren aktiviert werden. Der Ablauf kann durch unerwartete Störungen beeinträchtigt werden, für deren Kompensation autonome intelligente Entscheidungen bzw. regelnde Handlungen des Roboters gefragt sind. Sollte ihm z. B. ein Gegenstand entgleiten, so muss er in der Lage sein, diesen durch Perzeption (z. B. durch Hören und Schauen) zu lokalisieren, selbsttätig zu greifen und anschließend die unterbrochene Aufgabe fortzusetzen. Die Planung und Ausführung solcher Handlungen erfolgt in modernen humanoiden Robotern auf der Basis kognitiver Architekturen, die das Zusammenwirken unterschiedlicher Hierarchieebenen mit unterschiedlichen Abstraktionsniveaus und Echtzeitanforderungen organisieren [31; 32]. Humanoide Roboter müssen mit perzeptiven, besonders mit bildgebenden, kraftmessenden und akustischen Sensoren ausgerüstet sein, um ihre Umwelt und die mit ihnen kooperierenden Menschen wahrnehmen, überwachen oder imitieren zu können. Durch intelligente Fusion der relevanten Sensormerkmale werden sie befähigt, komplexe Situationen oder Ereignisse (z. B. Kollisionsgefahr) frühzeitig und sicher detektieren, lokalisieren und klassifizieren zu können. Besonders die Fusion von Kraft- und Bildsensoren ist für die sichere physikalische Interaktion von Roboter und Mensch von zentraler Bedeutung [33; 34]. Die menschenähnliche Gestalt mit Oberkörper, Unterkörper, Kopf und Gliedmaßen hat in der Regel mit ca Freiheitsgraden eine erheblich komplexere Kinematik als Industrie- und Serviceroboter. Deren Stabilisierung bei unterschiedlichen Gangarten (Gehen, Joggen, Sprinten etc.) und Belastungen beim Durchführen von Handhabungsaufgaben stellt an die Geschicklichkeit und Adaptionsfähigkeit des Überwachungs- und Regelungskonzepts Ansprüche, die nur durch fortgeschrittene bionisch inspirierte Ansätze gelöst werden können. Zu einzelnen Teilproblemen der Überwachung und Regelung humanoider Roboter wurden teilweise sehr ausgereifte und leistungsfähige Lösungskonzepte entwickelt. Zu nennen sind hier besonders die Forschungsaktivitäten, die sich mit zweibeinigem Gang (DFG-Schwerpunktprogramms 1039 Autonomes Laufen [35]) oder mit Greifen und Manipulation bzw. den hierzu erforderlichen multimodalen Dialogen (SFB 360 Situierte Agenten [36]) befassen. Gleichzeitig werden wichtige Teilaspekte eines humanoiden Roboters wie z. B. seine kognitiven Fähigkeiten im Rahmen der RoboCup-Initiative von anderen Forschergruppen untersucht [37]. Die Entwicklung von alltagstauglichen perzeptiven Schlüsselfunktionen und -komponenten für eine neue Generation von Servicerobotern war das Ziel des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Verbundprojektes DESIRE [38]. Ein ganzheitliches generisches Konzept zur multisensoriellen Überwachung- und Regelung humanoider Roboter wurde erstmals im DFG-Sonderforschungsbereich SFB 588 entwickelt [17]. 3 Multisensorielles diskret-kontinuierliches Regelungskonzept Um den extremen Anforderungen bei der Bewältigung komplexer Aufgaben, bei der Perzeption der Umwelt und bei der Körperbeherrschung gerecht zu werden, wurde ein neuartiges diskret-kontinuierliches Überwachungsund Regelungskonzept entwickelt und realisiert (siehe Bild 1). Das hybride Regelungsverfahren stützt sich auf kontinuierliche Differenzialgleichungen zur Beschreibung der Roboterdynamik, ist aber ebenso auf die Modellierung eines ereignisdiskreten Systems zur Handlungsplanung, die von externen Ereignissen beeinflusst werden kann, angewiesen. Dieser hybriden Struktur des Gesamtsystems entsprechend wurde dem System eine Abstraktionshierarchie zugrunde gelegt, die sowohl eine kontinuierliche Regelung der Roboterdynamik als auch eine diskrete Regelung der Handlungssequenz flexibel kombiniert. Die resultierende zweischichtige Architektur enthält eine obere Planungs- und Durchführungsebene ( Diskrete Regelung ), die die mittlere und Teile der oberen Ebene von dreischichtigen Architekturen [31] umfasst, und eine untere Ebene zur Kontinuierlichen Regelung. 19

5 Methoden Bild 1 Diskret-kontinuierliches Überwachungs- und Regelungskonzept. In der oberen Ebene wird der diskrete Zustand des Roboters während der Ausführung der Aufgabe geregelt und überwacht. Die untere Ebene stellt das gewünschte kontinuierliche Regelungsverhalten der Roboterdynamik sicher. Die hier verwendeten klassischen Regelungskonzepte werden durch biologisch inspirierte Methoden ergänzt. Das Verhalten der beiden Ebenen basiert auf den Zustandsinformationen, die durch interne (z. B. Winkelmesser) und externe Sensoren (z. B. Kraft-Momenten-, Kameras, Mikrofone) gewonnen werden. 3.1 Diskrete Regelung Neben der Aufgabengenerierung und der Koordination der daraus resultierenden Aktionsfolgen übernimmt die höhere diskrete Ebene die Fusion der Sensormessungen. Nach der Auswertung dieser Daten erfolgt eine Identifikation der Zustände bzw. aufgetretenen Ereignisse, die die aktuelle Situation beschreiben. Basierend darauf werden die durchzuführenden elementaren Aktionen aktiviert und überwacht. Falls die geplanten Aktionen nicht in der Lage sind, das vorgegebene Ziel zu erreichen, gestaltet die diskrete Regelung dynamisch eine neue Aktionsfolge, passt die bisherige an oder bricht die Ausführung ab. Durch eine modulare diskrete Struktur der Planung ist es möglich, Handlungssequenzen flexibel zu generieren und Grundlagen für ihre effiziente Online-Modifikation zu schaffen. Dadurch wird sowohl eine transparente Modellierung der Aufgabe als auch ein effiziente Bearbeitung von Online-Entscheidungen gewährleistet. Grundlage dafür ist die Einführung von Aktionsprimitiven (AP), die elementare Teilaufgaben beschreiben. Die Definition eines AP aus [39] wurde mit Hilfe zweier neuer Attribute E und a so erweitert, dass verschiedene Umwelteinflüsse mitberücksichtigt werden können [1]: AP = {HM, ψ, λ, E, a} (1) Dabei enthält HM die Informationen über die Bewegung, ψ die zu verwendenden Werkzeuge und Ressourcen und λ die Abbruchbedingung. Sowohl die Effizienz E als auch die Affinität a werden dazu verwendet, die Zusammenhänge zwischen dem auszuführenden AP und dem aktuellen Systemzustand zu beschreiben. Beide stellen Maße für die Fähigkeit des AP dar, seinen gewünschten Zielzustand zu erreichen. Die Effizienz E stellt die aktuelle Leistungsfähigkeit des AP dar, indem sie die für das AP schon in ψ festgelegten benötigten Ressourcen hinsichtlich ihrer Funktionalität auswertet. Ein Effizienzwert von 1 bedeutet dann, dass die Leistungsfähigkeit der erforderlichen Ressourcen maximal ist und das AP optimal ausgeführt werden kann. Ein Effizienzwert von 0 zeigt dagegen ein AP an, dessen Ausführung vermieden werden sollte. Die Effizienz E(t) eines AP wird zu jedem Zeitpunkt t durch das Produkt der Effizienzen der n beteiligten Ressourcen im Bezug auf den aktuellen Zustand des Systems berechnet (siehe Abschnitte 4.1 und 4.3). Die Affinität a ist dagegen ein relatives Maß, das die A-priori-Eignung eines AP bewertet, ein gegebenes Ziel zu erreichen. Dieser kontextspezifische Vergleich zwischen mehreren zur Verfügung stehenden AP kann aus verschiedenen Ansichten erfolgen (aus Sicht der Dauer, der Genauigkeit, des Energieverbrauchs,...). Dem AP, das in Bezug auf den entsprechenden ausgewählten Vergleichsparameter als geeigneter bewertet wird, wird der maximale Affinitätswert 1 zugewiesen. Da die Affinität auf A-priori-Kenntnissen der Leistungsmerkmale jedes AP beruht, ist sie zeitunabhängig und berücksichtigt nicht die tatsächlich vorherrschende Situation. Ihr Wert wird daher aufgrund von Expertenwissen offline festgelegt. Nach der Zerlegung jeder komplexen Handlung in eine Kette von solchen elementaren Aktionen kann der gesamte Plan mit einem Petri-Netz transparent modelliert werden. Dabei wird zunächst jede einzelne Bewegungsphase als separates Petri-Netz mit einer oder mehreren Stellen kodiert, wobei kontinuierliche Komponenten (wie z. B. Regler oder Bahnplanungsalgorithmen) den einzelnen Stellen des Petri-Netzes zugeordnet werden. Unter Berücksichtigung der Schnittstellen zwischen APs entsteht dann das Petri-Netz des gesamten Plans. Ein solcher Ansatz bietet noch den weiteren Vorteil, dass das korrekte Abarbeiten der AP-Folge während der gesamten Handlung überwacht und koordiniert werden kann. Außerdem 20

6 Überwachung und Regelung humanoider Roboter wird dadurch eine Verwaltung der Roboterressourcen ermöglicht [19; 40]. Die so entwickelte Aufgabenstruktur dient auch als Grundlage für den Entscheidungsfindungsalgorithmus, der die zentrale Komponente der diskreten Regelung darstellt: Der Roboter plant seine diskrete Handlungssequenz situationsabhängig, indem er ein multikriterielles Optimierungsproblem online löst. Basierend auf der Nutzenfunktion ν = E a, (2) die mit jedem AP assoziiert ist, wird der globale optimale Pfad, d. h. der Pfad von aktuellem zum Zielzustand, der die AP-Sequenz mit größter Effizienz und größter Affinität beinhaltet, im Planungsnetz durch einen modifizierten Dijkstra-Algorithmus gesucht und schrittweise ausgeführt [1]. 3.2 Kontinuierliche Regelung In Abhängigkeit vom gerade auszuführenden Aktionsprimitiv werden sowohl auf Basis von klassischen Methoden als auch mit Hilfe von biologisch-motivierten Ansätzen Robotertrajektorien generiert. Diese ermöglichen es, menschenähnliche Bewegungen zu generieren und weisen dabei eine erhöhte Robustheit gegenüber Störungen auf [41]. Eine optimale Verfolgung dieser Trajektorie wird dann durch dynamische Einschaltung des jeweiligen aktionsspezifischen Reglers sichergestellt. So wird z. B. für eine kontaktfreie Annäherung des Roboterarms an ein bewegtes Objekt ein bildgestützter Regelungsalgorithmus benötigt, während für eine Wischbewegung auf einer Objektoberfläche eine hybride Kraft-/Positionsregelung bevorzugt wird. Erhöhte Sicherheit kann zusätzlich durch Integration von Reflexen nach menschlichem Vorbild in die Regelungsarchitektur erreicht werden. Dadurch wird der Roboter in der Lage versetzt, auf unerwartete externe Störungen bereits innerhalb des untersten (schnellsten) Regelkreises zu reagieren [16]. Auf diese Art und Weise kann z. B. der Verlust des Gleichgewichts aufgrund einer Kollision durch eine schnelle Körperstabilisierung kompensiert werden. Eine zusätzliche Online-Adaption der Reglerparameter garantiert dann ein optimales dynamisches Verhalten des Roboters auch unter sich verändernden Bedingungen. 4 Realisierung perzeptorisch geregelter Grundgeschicklichkeiten Das vorgestellte Überwachungs- und Regelungskonzept soll im Folgenden anhand eines realisierten Fallbeispiels veranschaulicht werden. Zur experimentellen Erprobung diente die Versuchsplattform des IOSB, die aus zwei Roboterarmen und einem Kopf besteht. Sie ist mit zahlreichen Sensoren für die Durchführung verschiedener umweltinteraktiver Aufgaben ausgestattet (Kraft-Momenten-Sensor, Schlupfsensor, taktile Senso- Bild 2 Versuchs- und Entwicklungsplattform am IOSB. ren, Stereokamera, Audio-Array,...). Als Benchmark sei die sehr oft benötigte Grundgeschicklichkeit Greifen heruntergefallener Objekte betrachtet: Während der rechte Arm eine Pick&Place-Aufgabe ausführt, fällt ein zusätzliches Objekt im Arbeitsbereich des Roboters herunter (z. B. Becher in Bild 2), das aufgehoben werden muss. Die Lösungsstrategie des Roboters orientiert sich an menschlichem Verhalten in einer vergleichbaren Situation. Zuerst wird eine grobe Richtung des Fallgeräuschs durch Hören mittels des Audio-Arrays detektiert. Da diese erste Schätzung eine sehr geringe Genauigkeit hat, dient sie zur Ausrichtung der Stereokamera im Kopf zur Geräuschquelle hin. Wie beim Menschen kann auf diese Weise trotz des eingeschränkten Sichtfelds der Kamera eine visuelle Erkennung und Lokalisierung des zufällig positionierten Objekts erfolgen. Im Anschluss daran wird eine Trajektorie für die Annäherungsbewegung generiert und ausgeführt. Schließlich wird das Objekt gegriffen. Durch das erarbeitete Konzept ist der Roboter in der Lage, auf Änderungen der Randbedingungen, unerwartete Ereignisse und Konflikte in der Ressourcenbelegung zu reagieren und die Aufgabe erfolgreich abzuschließen. In dieser Arbeit wurde eine vorgeplante Struktur des Petri-Netzes angenommen. Eine automatische Generierung der möglichen Handlungsalternativen (z. B. [42 44]) kann aber ins Konzept problemlos integriert werden. Ein aus diesem Netz generierter vereinfachter Graph, der die einsetzbaren AP-Folgen beschreibt und als Grundlage für die Roboterentscheidung dient, ist in Bild 3 dargestellt. Im betrachteten Greifvorgang werden im Folgenden unterschiedliche Situationen analysiert: Auswahl des Roboterarms für den Greifvorgang (Abschnitt 4.1), Schlupfreflex zur Sicherung von Greifvorgängen (Abschnitt 4.2), Auswahl der visuell-gestützten Annäherungsstrategie (Abschnitt 4.3) und Stoßreflex zur Minimierung von Kollisionsschäden (Abschnitt 4.4). 21

7 Methoden Bild 3 Vereinfachter Graph der AP-Folge für den betrachteten Greifvorgang. Trotz der reduzierten Komplexität des hier vorgestellten Beispiels, lässt sich das entwickelte Konzept auch auf komplexere Aufgaben unter realistischen Randbedingungen skalieren. Die Parameter, die für die Modellierung der Sequenz benötigt werden, können durch Lernphasen oder Online-Adaption ermittelt werden [1]. 4.1 Auswahl des Roboterarms für den Greifvorgang Sobald ein akustisches Ereignis detektiert wird, erfolgt die Ausrichtung der Kamera zur Schallquelle. Die Position des heruntergefallenen Objektes wird anhand der Fusion von akustischen und visuellen Daten geschätzt. Diese wird zusammen mit Informationen über den aktuellen Zustand der Antriebe (Residuen [45]) dazu verwendet, mit Hilfe von Fuzzy-Methoden die Effizienz E der zwei Arme für den Greifvorgang zu berechnen. Die dazu verwendeten Zugehörigkeitsfunktionen sind beispielhaft in Bild 4 zu sehen. Die Auswertung erfolgt durch Regeln Bild 4 Zugehörigkeitsfunktionen für die Bewertung der Arm-Effizienz. wie z. B. wenn Abstand nah und Residuen klein dann Effizienz hoch. Zusammen mit der Verfügbarkeit des Greifers, die kennzeichnet, ob der Arm schon etwas gegriffen hat oder nicht, fließen dann diese Informationen in den Entscheidungsprozess. In Bild 5 sind die Ergebnisse dargestellt, die aus dem Herunterfallen eines Objekts auf die rechte Seite des Arbeitsbereichs des Roboters resultieren. Das akustische Ereignis wird während der Place -Phase (AP 1 ca.11s) detektiert und eine Reaktion in der Roboteraktionen dadurch ausgelöst. Aufgrund der ständig berechneten Greifereffizienz (Bild 5b) und AP-Nutzwerte (siehe Bild 5c) resultiert der Entscheidungsprozess in der in Bild 5a dargestellten AP-Folge: Das vom rechten Arm getragene Objekt muss erst abgesetzt werden (AP 2 ), bevor der Greifvorgang durchgeführt werden kann (AP 11,AP 3 und AP 4 ). 4.2 Schlupfreflex zur Sicherung von Greifvorgängen Ein Abrutschen gegriffener Gegenstände kann verschiedene Ursachen, wie z. B. eine glatte Oberfläche oder eine Erhöhung des Gewichts beim Füllen eines Behälters haben. Ein Mensch verhindert das Entgleiten eines rutschenden Objekts durch das schnelle, unbewusste und reflexartige Verstärken des Griffs. Ebenso reagiert der Roboter in vergleichbaren Fällen. Dafür werden Daten eines am Fraunhofer IOSB (Institut für Optronik, Systemtechnik und Bildauswertung) entwickelten Schlupfsensors [46] ausgewertet und bei erkanntem Abrutschen entsprechende Reaktionen durch künstliche Reflexe ausgelöst [16]. Diese Roboterreflexe basieren auf einer speziellen Version des Leaky-Integrate-and-Fire- Neurons, bei welcher je nach Bedarf auch der Schwellwert dynamisch angepasst werden kann [47; 48]. Ein Erreichen dieses Schwellwertes löst die Reaktion aus. Im Falle des Schlupfreflexes ist ein wiederholtes Auslösen des Reflexes erforderlich, da nach nur einer ersten, einmaligen Reak- 22

8 Überwachung und Regelung humanoider Roboter 4.3 Auswahl der visuell-gestützten Annäherungsstrategie Betrachtet wird jetzt der Fall, dass der Becher auf die linke Seite des Tisches herunterfällt, wie aus den Effizienzen der zwei Arme in Bild 7 deutlich zu sehen ist. Unter diesen Umständen kann der rechte Arm auch nach Auftreten des akustischen Ereignisses (bei ca. 9.5 s) seine Pick&Place -Aufgabe ungestört fortsetzen, während der linke Arm für das Greifen des Bechers verantwortlich ist. Die Annäherungsbewegung wird visuell geregelt, um die Ungenauigkeiten in der Positionsschätzung zu minimieren, und eine kollisionsfreie Trajektorie zu gewährleisten. Für den linken Arm können sowohl die Kopf- als auch eine Handkamera eingesetzt werden (AP 5 bzw. AP 6 ). Eine solche Lösung bietet eine höhere Genauigkeit und Robustheit. Je mehr sich der Roboter dem Objekt nähert, desto größer ist die Robustheit gegenüber Beleuchtungsänderungen und Verdeckungen. Die Nutzwerte der zwei entsprechenden AP werden hauptsächlich anhand der Effizienzen der eingesetzten Sensoren berechnet. Die Zugehörigkeitsfunktionen für die Fuzzifizierung der Faktoren, die diese Effizienzen beeinflussen, sind beispielhaft für die Handkamera in Bild 8 dargestellt. Die Ergebnisse des Entscheidungsprozesses können in Bild 7 betrachtet werden. Nach der ersten Vorpositionierung des Armes, um das Objekt ins Sichtfeld Bild 5 Signale und Ergebnisse des Entscheidungsprozesses. Bild 6 Beispielhafte Aktivierung des Schlupfreflexs während der Place - Phase (AP 1 ). tion des Greifers noch nicht gewährleistet werden kann, dass ein Entgleiten des Objekts sicher verhindert wurde. Infolgedessen schließt sich der Greifer so lange, bis kein weiteres Abrutschen mehr durch den Sensor registriert wird und das Objekt (wieder) sicher gegriffen ist. Das Verhalten des Schlupfreflexes ist in Bild 6 sehr gut zu erkennen. Sobald eine Verschiebung des Objekts relativ zur Greiffläche gemessen wird, wird das Abrutschen durch wiederholte Aktivierung des Reflexes schnell unterbunden. Da der Schlupfsensor nur im rechten Greifer integriert ist, ist der Reflex nur während der Ausführung von Greifvorgängen mit dem rechten Arm vorhanden (d. h. AP 1 und AP 4 ). Bild 7 Signale und Ergebnisse des Entscheidungsprozesses. 23

9 Methoden Bild 8 Zugehörigkeitsfunktionen für die Bewertung der Effizienzen der Handkamera (HK). der Handkamera zu bringen, befindet sich die Handkamera in ihrem optimalen Arbeitsbereich und wird dann unter normalen Randbedingungen (d. h. begrenztes Messrauschen) als geeignetster Sensor ausgewählt und das entsprechende AP 6 wird aktiviert (bei ca. 15 s). Je näher der Roboter kommt, desto größer wird das Objekt im Bild, bis ein Punkt erreicht wird (bei ca. 21 s), in dem die Handkamera das Objekt nicht mehr lokalisieren kann. Deshalb sinkt der Nutzwert von AP 6 wieder auf 0 und der Roboter führt den letzten Teil seiner Bewegung wieder mit Hilfe der Kopfkamera (AP 5 ). Eine Fusion beider Sensoren wird auch durch den eingeführten Formalismus ermöglicht (siehe [1]). 4.4 Stoßreflex zur Minimierung von Kollisionsschäden Wie beim Schlupfreflex, der das Abrutschen und Entgleiten eines gegriffenen Objekts verhindern soll, muss ein Roboter in der Lage sein, schnell und effektiv auf unvorhergesehene Situationen wie Kollisionen zu reagieren. Neben einem möglichst nah am menschlichen Vorbild orientierten Reaktionsverhalten sollen auch die Reaktionszeiten entsprechend schnell sein. Ähnlich zum in Abschnitt 4.2 vorgestellten Schlupfreflex, muss der Roboter bei plötzlich auftretenden Stößen innerhalb weniger Millisekunden durch einen Stoßreflex reagieren. Hierbei wird die Erkennung des Stoßes ebenso wie die initiale Reaktion, eine aktuelle Bewegung zu stoppen, direkt vom Reflex ausgelöst. Für darüber hinausgehende Reaktionen wie Ausweichbewegungen übergibt der Reflex an die Petri-Netz basierte Systemüberwachung. Diese leitet situationsabhängige Kompensations- oder Ausweichbewegungen durch Aktivierung entsprechender AP ein und stellt nach der Kompensation der Störung die Rückkehr zur Weiterführung des ursprünglichen Tasks sicher. Da die Kollisionserkennung einen sehr wichtigen Sicherheitsaspekt darstellt, ist der Stoßreflex aktiv bei der Ausführung jedes AP. Eine beispielhafte Reaktion auf eine Kollision mit einem unvorhergesehenen Hindernis während der Annäherung an Zielobjekt (AP 3 ) ist in der Bildfolge 9 zu sehen. 5 Zusammenfassung und Ausblick Ein Konzept, welches humanoiden Robotern die notwendige Flexibilität und Geschicklichkeit bei einer interaktiven und sicheren Aufgabenbewältigung in einer stark veränderlichen Umwelt vermittelt, wurde in diesem Beitrag präsentiert. Die Basis des Lösungskonzepts ist ein modulares, multisensorielles zweischichtiges diskretkontinuierliches Überwachungs- und Regelungskonzept. Zentraler Ansatz dafür ist die Zerlegung komplexer Aktionen in eine Folge von elementaren Aktionseinheiten (so genannte Aktionsprimitive AP) mit integrierten Regelungs- und Überwachungslösungen. Die daraus entstandene Kette von Aktionsprimitiven ist durch ein Petri-Netz modelliert, das das korrekte Abarbeiten der gesamten Handlung überwacht und koordiniert. Außerdem dient es als Grundlage für einen Entscheidungsfindungsprozess, der basierend auf der Online-Bewertung der aktuellen Eignung jedes AP, die situationsoptimale AP- Folge bestimmt (diskrete Regelung). Die Sicherheit der Ausführung der ausgewählten AP ist dann zusätzlich durch die Integration von menschenähnlichen Reflexen garantiert. Das gesamte Konzept wurde umfassend erprobt und hier anhand des Greifvorganges eines unbekannt positionierten Gegenstandes veranschaulicht. Damit wurde gezeigt, dass es sich aufgrund seiner Modularität auch für zukünftige Generationen von Industrieund Servicerobotern eignet, die in Umgebungen mit größeren Unsicherheiten agieren. Bild 9 Bildsequenz eines Stoßreflexs und entsprechender Reaktion Kollision (a), Ausweichen (b), Hindernisumgehung (c d). Danksagung Diese Arbeit wurde von der Deutschen Forschungsgemeinschaft (DFG) im Rahmen des Sonderforschungsbereiches (SFB) 588 Humanoide Roboter Lernende und kooperierende multimodale Roboter gefördert. 24

10 Überwachung und Regelung humanoider Roboter Literatur [1] Milighetti, G.: Multisensorielle diskret-kontinuierliche Überwachung und Regelung humanoider Roboter, Bd. 6 von Karlsruher Schriften zur Anthropomatik. KIT Scientific Publishing, Karlsruhe, Germany, 2010, ph.d. Thesis. [2] Asfour, T.; Azad, P.; Vahrenkamp, N.; Regenstein, K.; Bierbaum, A.; Welke, K.; Schröder, J.; Dillmann, R.: Toward humanoid manipulation in human-centred environments. Robotics and Autonomous Systems, 56(1), S , [3] Albu-Schäffer, A.; Eiberger, O.; Fuchs, M.; Grebenstein, M.; Haddadin, S.; Ott, C.; Stemmer, A.; Wimböck, T.; Wolf, S.; Borst, C.; Hirzinger, G.: Anthropomorphic Soft Robotics From Torque Control to Variable Intrinsic Compliance. In: Pradalier, C.; Siegwart, R.; Hirzinger, G., (Hg.) Robotics Research, Bd. 70 von Springer Tracts in Advanced Robotics, S , Springer Berlin/Heidelberg, [4] Buschmann, T.; Lohmeier, S.; Ulbrich, H.: Entwurf und Regelung des humanoiden Roboters Lola. at Automatisierungstechnik, 58, S , [5] Metta, G.; Sandini, G.; Vernon, D.; Natale, L.; Nori, F.: TheiCub humanoid robot: an open platform for research in embodied cognition. In: Proceedings of the 8th Workshop on Performance Metrics for Intelligent Systems, S , ACM, New York, NY, USA, [6] Hirose, M.; Ogawa, K.: Honda humanoid robots development. Philosophical Transactions of the Royal Society A: Mathematical,Physical and Engineering Sciences, 365(1850), S , [7] Tajima, R.; Honda, D.; Suga, K.: Fast running experiments involving a humanoid robot. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , [8] Akachi, K.; Kaneko, K.; Kanehira, N.; Ota, S.; Miyamori, G.; Hirata, M.; Kajita, S.; Kanehiro, F.: Development of humanoid robot HRP-3P. In: 5th IEEE-RAS International Conference on Humanoid Robots, S , [9] Ogura, Y.; Aikawa, H.; Shimomura, K.; Morishima, A.; ok Lim, H.; Takanishi, A.: Development of a new humanoid robot WABIAN-2. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , [10] Park, I.-W.; Kim, J.-Y.; Lee, J.; Oh, J.-H.: Mechanical design of the humanoid robot platform, HUBO. Advanced Robotics, 21(11), S , [11] Gouaillier, D.; Hugel, V.; Blazevic, P.; Kilner, C.; Monceaux, J.; Lafourcade, P.; Marnier, B.; Serre, J.; Maisonnier, B.: Mechatronic design of NAO humanoid. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , [12] Diftler, M.; Mehling, J.; Abdallah, M.; Radford, N.; Bridgwater, L.; Sanders, A.; Askew, S.; Linn, D.; Yamokoski, J.; Permenter, F.; Hargrave, B.; Platt, R.; Savely, R.; Ambrose, R.: Robonaut 2 the first humanoid robot in space. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , [13] Asfour, T.; Welke, K.; Azad, P.; Ude, A.; Dillmann, R.: The karlsruhe humanoid head. In: 8th IEEE-RAS International Conference on Humanoid Robots, S , [14] Bischoff, R.; Kurth, J.; Schreiber, G.; Koeppe, R.; Stemmer, A.; Albu- Schäffer, A.; Eiberger, O.; Beyer, A.; Grunwald, G.; Hirzinger, G.: Aus der Forschung zum Industrieprodukt: Die Entwicklung des KUKA Leichtbauroboters. at-automatisierungstechnik, 58(12), S , [15] Werner, T.; Kargov, A.; Gaiser, I.; Bierbaum, A.; Schill, J.; Schulz, S.; Bretthauer, G.: Eine fluidisch angetriebene anthropomorphe Roboterhand. at-automatisierungstechnik, 58(12), S , [16] Bauer, C.; Milighetti, G.; Yan, W.; Mikut, R.: Human-like reflexes for robotic manipulation using leaky integrate-and-fire neurons. In: Proceedings of the IEEE International Conference on Intelligent Robots and Systems, S , [17] Dillmann, R.; Asfour, T.: Collaborative Research Center on Humanoid Robots (SFB 588). KI Zeitschrift Künstliche Intelligenz, 4, S , [18] Milighetti, G.; Kuntze, H.-B.: Fuzzy based decision making for the discrete-continuous control of humanoid robots. In: Proceedings of the IEEE International Conference on Intelligent Robots and Systems 2007, San Diego, CA, USA, [19] Lehmann, A.: Neues Konzept zur Planung, Ausführung und Überwachung von Roboteraufgaben mit hierarchischen Petri- Netzen. Dissertation, Universität Karlsruhe, Universitätsverlag Karlsruhe, [20] Kuntze, H.-B.: Position control of Industrial robots-impacts, concepts and results. In: Proceedings of the 2nd IFAC-Symposium on Robot Control (SYROCO88), S. 5 7, [21] Siciliano, B.; Khatib, O.: Springer Handbook of Robotics. Springer Verlag, Berlin, Heidelberg, Germany, [22] De Luca, A.: Feedforward/feedback laws for the control of flexible robots. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , San Francisco, CA, [23] Kuntze, H.-B.; Sajidman, M.; Jacubasch, A.: A Fuzzy-Logic concept for highly fast and accurate position control of industrial robots. In: Proceedings of the IEEE International Conference on Robotics and Automation, Nagoya, Japan, [24] Kuntze, H.; Jacubasch, A.; Richalet, J.; Arber, C.: Onthepredictive functional control of an elastic industrial robot. In: Proceedings of the 25th IEEE Conference on Decision and Control, Bd. 25, S , [25] Siciliano, B.; Villani, L.: Robot Force Control. Kluwer Academic Publishers, Norwell, MA, USA, [26] Hutchinson, S.; Hager, G. D.; Corke, P. I.: A Tutorial on Visual Servo Control. 12(5), S , [27] Lambert, G.: Prinzip und Einsatzmöglichkeiten moderner 3-D- Vision Systeme, Objekterkennung in der Robotik Technologien Methoden Anwendungen, [28] Lippiello, V.; Siciliano, B.; Villani, L.: Position-Based Visual Servoing in Industrial Multirobot Cells Using a Hybrid Camera Configuration. 23(1), S , [29] Malis, E.: Survey of vision-based robot control. In: European Naval Ship Design, Captain Computer IV Forum, ENSIETA, Brest, France, [30] Martinet, P.; Chaumette, F.; Hashimoto, K.; Malis, E.: Tutorial on Advanced Visual Servoing. In: International Conference on Robotic Systems, [31] Burghart, C.; Mikut, R.; Stiefelhagen, R.; Asfour, T.; Holzapfel, H.; Steinhaus, P.; Dillmann, R.: A cognitive architecture for a humanoid robot: A first approach. In: 5th IEEE-RAS International Conference on Humanoid Robots, S , [32] Goerick, C.; Körner, E.: Kognitive Humanoide Robotik: Entwicklungsschritte in Lernen und Verhaltensorganisation. at- Automatisierungstechnik, 58(11), S , [33] Phriends: Physical human-robot interaction: dependability and safety. [34] Saphari: Safe and Autonomous Physical Human Aware Robot Interaction. [35] Pfeiffer, Friedrich; Cruse, H. H.: Autonomes Laufen. Springer Verlag, Berlin, Heidelberg, Germany, New York, USA, [36] Knoll, A.; Hildebrandt, B.; Zhang, J.: Instructing Cooperating Assembly Robots through Situated Dialogues in Natural Language. In: Proceedings of the IEEE International Conference on Robotics and Automation, Albuquerque, New Mexico, [37] Friedmann, M.; Petersen, K.; von Stryk, O.: Tailored real-time simulation for teams of humanoid robots. In: Visser, U.; Ribeiro, F.; Ohashi, T.; Dellaert, F., (Hg.) RoboCup 2007: Robot Soccer World Cup XI, Bd von Lecture Notes in Computer Science/Artificial Intelligence, S , Springer-Verlag, Berlin/Heidelberg, [38] Parlitz, C.; Baum, W.; Reiser, U.; Hägele, M.: Intuitive Human- Machine-Interaction and Implementation on a Household Robot Companion. In: Proceedings of the 12th International Conference on Human-Computer Interaction (HCI), S , Beijing, China,

11 Methoden [39] Finkemeyer, B.; Kröger, T.; Wahl, F.: Aktionsprimitive: Ein universelles Roboter-Programmierparadigma. at - Automatisierungstechnik, 53(4-5), S , [40] Lehmann, A.; Mikut, R.; Asfour, T.: Petri Nets for Task Supervision in Humanoid Robots. In: Proceedings of the 37th International Symposium on Robotics (ISR), Munich, Germany, [41] Bauer, C.; Braun, S.; Chen, Y.; Jakob, W.; Mikut, R.: Optimization of Artificial Central Pattern Generators with Evolutionary Algorithms. In: Proc., 18. Workshop Computational Intelligence, S , [42] Bagchi, S.; Biswas, G.; Kawamura, K.: Task Planning under Uncertainty using a Spreading Activation Network. IEEE Transaction on Systems, Man, and Cybernetics, 30(6), S , [43] Pardowitz, M.; Zöllner, R.; Knoop, S.; Dillmann, R.: UsingPhysical Demonstrations, Background Knowledge and Vocal Comments for Task Learning. In: Proceedings of the IEEE International Conference on Intelligent Robots and Systems, Beijing, China, [44] Ahle, E.: Autonomous Systems: A Cognitive-Oriented Approach Applied to Mobile Robotics. Dissertation, Universität Duisburg- Essen, Fakultät für Maschinenbau, Aachen, Germany, [45] De Luca, A.; Mattone, R.: Actuator failure detection and isolation using generalized momenta. In: Proceedings of the IEEE International Conference on Robotics and Automation, S , Taipei, Taiwan, [46] Bächlin, M.; Beyerer, J.; Kuntze, H.-B.; Milighetti, G.: Vorrichtung zum Schlupfüberwachten, kraftschlüssigen Ergreifen, Halten und Manipulieren eines Objektes mittels einer Greiferanordnung, 2005, p Deutsche Patentanmeldung am , Amtliches Aktenzeichen: [47] Azouz, R.; Gray, C. M.: Dynamic Spike Threshold reveals a Mechanism for Synaptic Coincidence Detection in Cortical Neurons in vivo. In: Proceedings of the National Academy of Sciences of the United States of America, Bd. 97, S , [48] Chacron, M. J.; Pakdaman, K.; Longtin, A.: Interspike Interval Correlations, Memory, Adaptation, and Refractoriness in a Leaky Integrate-and-Fire Model with Threshold Fatigue. Neural Computation, 15(2), S , Manuskripteingang: November 2011 Dr.-Ing. Giulio Milighetti war wissenschaftlicher Mitarbeiter und Projektleiter am Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) in Karlsruhe. Er ist jetzt als Entwickler bei der Firma KUKA Laboratories GmbH beschäftigt. Forschungsschwerpunkte: Robotik, Regelungstechnik, Sensortechnik. Adresse: KUKA Laboratories GmbH, Zugspitzstraße 140, D Augsburg, giulio.milighetti@kuka.com Dipl.-Inform. Christian Bauer war wissenschaftlicher Mitarbeiter am Institut für Angewandte Informatik (IAI) des Karlsruher Instituts für Technologie (KIT). Forschungsschwerpunkte: Robotik, Regelungstechnik, Bewegungsanalyse. Adresse: Karlsruher Institut für Technologie (KIT), Institut für Angewandte Informatik, Hermann-von-Helmholtz-Platz 1, D Eggenstein-Leopoldshafen, christian.bauer@kit.edu apl. Prof. Dr.-Ing. Ralf Mikut ist Projektleiter am Institut für Angewandte Informatik (IAI) und außerplanmäßiger Professor an der Fakultät für Maschinenbau des Karlsruher Instituts für Technologie (KIT). Forschungsschwerpunkte: Computational Intelligence, Biosignalanalyse, Bildverarbeitung, Regelungstechnik, Robotik, Bewegungsanalyse. Adresse: Karlsruher Institut für Technologie (KIT), Institut für Angewandte Informatik, Hermann-von-Helmholtz-Platz 1, D Eggenstein-Leopoldshafen, ralf.mikut@kit.edu Dr.-Ing. Helge-Björn Kuntze war bis 2009 Leiter des Geschäftsfeldes Mess-, Regelungs- und Diagnosesysteme (MRD) am Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung (IOSB). Er ist jetzt wissenschaftlicher Berater und Projektleiter. Forschungsschwerpunkte: Regelungstechnik, Robotik, Fuzzy-Logic und Data Mining. Adresse: Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung, D Karlsruhe, Fax: +49-(0) , helge-bjoern.kuntze@iosb.fraunhofer.de 26

12