Motivation
Der Einsatz mobiler Robotik in der Assistenztechnologie eröffnet neue Möglichkeiten für die Unterstützung von Menschen mit Mobilitätseinschränkungen. Am FAPS wurde ein intelligenter Rollstuhl entwickelt, der eigenständig navigieren und sich in sozialen Umgebungen zurechtfinden kann.
Während klassische Planungsverfahren und Deep Reinforcement Learning (RL) bereits erfolgreich zum Einsatz kommen, stellt die Berücksichtigung von sozialem Verhalten und Passagierkomfort weiterhin eine große Herausforderung dar. Imitation Learning (IL) bietet hier eine vielversprechende Alternative oder Ergänzung: Durch das Nachahmen menschlicher Navigationsstrategien anhand demonstrierter Trajektorien kann ein natürliches und sozial akzeptiertes Fahrverhalten erlernt werden.
Zielsetzung
Ziel dieser Arbeit ist es, aktuelle Ansätze im Bereich des Imitation Learning für mobile Robotik zu untersuchen und einen eigenen Ansatz zu implementieren. Dabei sollen zwei potenzielle Anwendungspfade verfolgt werden:
1. Finetuning eines bestehenden Deep-RL-Agents durch Imitation Learning, um das Navigationsverhalten in sozialen Situationen zu verbessern.
2. Direktes Training eines Navigationsverhaltens durch nachgeahmte Demonstrationen (z. B. Trajektorien menschlicher Bedienung), mit Fokus auf Komfort und soziale Verträglichkeit.
Die Arbeit kann wahlweise einen der beiden Schwerpunkte vertiefen oder beide Ansätze vergleichen. Eine vorhandene Simulationsumgebung sowie ein RL-Framework stehen als Basis zur Verfügung.
Inspiration liefern unter anderem folgende Veröffentlichungen:
– Human Comfort Factors in People Navigation: Literature Review, Taxonomy and Framework
– DRL-VO: Learning to Navigate Through Crowded Dynamic Scenes Using Velocity Obstacles
– Deep Imitation Learning for Autonomous Navigation in Dynamic Pedestrian Environments
– Learning to Navigate Robotic Wheelchairs from Demonstration: Is Training in Simulation Viable?
– HuNavSim 2.0
– Arena-rosnav
Arbeitsschritte
– Einarbeitung in Imitation-Learning-Konzepte (z. B. Behavioral Cloning, GAIL, DAgger)
– Literaturrecherche zu bestehenden IL-Methoden in der Roboternavigation
– Integration und Finetuning eines Imitation-Learning-Ansatzes in das bestehende ROS-Framework
– Evaluation hinsichtlich sozialem Verhalten und Passagierkomfort
Was wir bieten
– Forschung an einer hochaktuellen Schnittstelle von KI, Robotik und Mensch-Maschine-Interaktion
– Einstieg in ein laufendes Projekt mit echter Anwendungsperspektive
– Nutzung und Erweiterung modernster Simulationsumgebungen
– Flexible Zeiteinteilung und individuelle Betreuung
– Vorbereitung auf eine Tätigkeit in Forschung oder Industrie
Anforderungen & Bewerbung
– Interesse an KI, Imitation Learning und sozialer Robotik
– Grundkenntnisse in ROS und Reinforcement Learning von Vorteil, aber nicht zwingend notwendig
– Selbstständige, strukturierte Arbeitsweise
– Beginn jederzeit möglich
Bewerbung bitte per E-Mail mit Lebenslauf und aktueller Notenübersicht.
Weitere Informationen gerne auf Anfrage oder in einem persönlichen Gespräch.
Kategorien:
Forschungsbereich:
RobotikArt der Arbeit:
Masterarbeit, ProjektarbeitStudiengang:
Informatik, Maschinenbau, Mechatronik, MedizintechnikTechnologiefeld:
MedizintechnikKontakt:
Matthias Kalenberg, M.Sc.
Department Maschinenbau (MB)
Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik (FAPS, Prof. Franke)
- Telefon: +491622437412
- E-Mail: matthias.kalenberg@faps.fau.de