Forschungsübersicht

 

Die Forschung am DSME konzentriert sich auf Entscheidungsfindung, Regelung und Lernen für autonome intelligente Systeme. Wir entwickeln grundlegende Methoden und Algorithmen, die es Robotern und anderen physischen intelligenten Systemen ermöglichen, durch Rückkopplung mit ihrer Umgebung zu interagieren, autonom aus Daten zu lernen und sich miteinander zu kooperativen Netzwerken zu verbinden. Die Umsetzung mathematischer und theoretischer Erkenntnisse in eine verbesserte Autonomie und Leistung realer physikalischer Systeme ist eine wesentliche und treibende Facette unserer Arbeit.

Das Institut für Data Science im Machinenbau (DSME) hat das Ziel, Machine Learning und Entscheidungsalgorithmen für Maschinen in der physikalischen Welt zu entwickeln. Unsere Forschung beginnt oft mit grundlegenden theoretischen Fragen zum Lernen und zur Regelung, was uns zur Entwicklung neuer Methoden und Algorithmen führt, die wir schließlich an physikalischen Maschinen wie Robotern, Fahrzeugen und anderen autonomen Systemen implementieren und demonstrieren.

Beim Lernen an physischen Maschinen ergeben sich einige besondere Herausforderungen, die sich von anderen Bereichen des maschinellen Lernens unterscheiden, die typischerweise reine Software oder Computersysteme betreffen. Beispielsweise muss das Lernen in der realen Welt oft mit unvollkommenen und relativ kleinen Datensätzen zurechtkommen, da physikalische Systeme nicht beliebig abgetastet werden können und hochdimensionale sowie kontinuierliche Zustands-Aktionsräume aufweisen. Eine weitere Herausforderung stellt Online- und lebenslanges Lernen über einen konstanten Datenstrom (z. B. von Sensoren) da, welche oft auf eingebetteter Hardware mit begrenzten Rechenressourcen entwickelt werden muss. Zusätzlich sind theoretische Garantien für Sicherheit, Robustheit und Zuverlässigkeit für physische Lernsysteme unerlässlich, die jedoch beim maschinellen Lernen als Standard oft nicht verfügbar sind. Dies sind einige der grundlegenden Herausforderungen, die entstehen, wenn künstliche Intelligenz auf die physische Welt trifft - und die unsere Forschung vorantreiben.

Neben Lernen, Regelung und Entscheidungsfindung für ein einzelnes physikalisches System interessieren uns auch verteilte und vernetzte Probleme, zum Beispiel wenn mehrere intelligente Akteure zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Wie kann ein Team von Robotern ihre Aktionen effizient koordinieren? Welche Informationen sollten sie wann austauschen? Und wie kann man für begrenzte eingebettete Ressourcen wie Bandbreite, Berechnung oder Energie entwerfen? Dies sind einige der Fragen, mit denen wir uns in dieser Forschungsrichtung befassen.

Da wir versuchen, eine logische Brücke zwischen computergestützter und physikalischer Intelligenz zu schlagen, ist die Forschung am DSME sehr interdisziplinär. Insbesondere kombinieren und überschneiden wir die Disziplinen des maschinellen Lernen, Regelungstechnik, angewandte Mathematik und Robotik.

 

Forschungsvideo

Das folgende Video gibt einen kurzen Überblick über Teile unserer Forschungsaktivitäten.

Das Video wurde vom Max-Planck-Institut für Intelligent Systems produziert, wo Prof. Trimpe zuvor die Max-Planck & Cyber Valley Research Group on Intelligent Control Systems (ICS) leitete. Unsere Forschungsaktivitäten werden nun am DSME der RWTH Aachen fortgesetzt.