Förderprojekte

Förderbeginn 01.01.2025

Handhabung Multipler Fehlerquellen von Generativen Roboterverhalten

Prof. Dr. Matthias Althoff
Technische Universität München
Informatik 6 - Lehrstuhl für Robotik, Künstliche Intelligenz und Echtzeitsysteme

Christopher Agia
Stanford University
Interactive Perception and Robot Learning Lb, Department of Computer Science

Roboterverhalten, welches über imitierende Methoden gelernt wurde, neigt zu Fehlverhalten in neuen Umgebungen, die von der Lernumgebung abweichen. Daher müssen gelernte Roboterverhalten während ihrer Anwendung stetig überwacht werden um Fehlverhalten frühzeitig zu erkennen. Wir schlagen eine Überwachungsmethode vor, welche die Fehlererkennung in zwei Teilsysteme unterteilt: 1) Sprunghaftes Fehlverhalten, welches wir über statistische Evaluation der temporalen Kontinuität der prädizierten Aktionen erkennen und 2) Fehlverhalten in der übergreifenden Aufgabe, wobei wir VLMs verwenden um Zustände zu identifizieren, bei welchen das Roboterverhalten die Aufgabe wiederholt verfehlt. Unsere Methode besticht durch zwei Hauptmerkmale. Erstens führt unsere komplementäre Fehlererkunnung zu hohen Erkennungsraten bei gelernten Roboterverhlaten, welches typischerweise zu multiplen Fehlerquellen neigt. Zweitens sorgt unsere statistische Evaluation der temporal Kontinuität der Aktionen zu einer schnellen Erkennung von plötzlich auftretendem Fehlverhalten und erlaubt eine Anwendung für multi-modale, generative Modelle. Im Gegensatz dazu verwenden wir VLMs nur für Fehlererkennung von nicht zeitkritischem Fehlverhalten. Wir demonstrieren unsere Methode für sogenannte Diffusion Policies auf multi-modalen Robotik-Problemen in der Simulation und echten Welt.