DynaFoRo - Selbstlernende dynamische Fortbewegung mobiler Roboter

Abstract

Ausgangspunkt des Vorhabens ist die Frage, wie sich mobile Roboter auch unter dynamisch anspruchsvollen Bedingungen stabil, präzise und zugleich schnell bewegen können. Gerade in logistischen Anwendungen treten hohe Beschleunigungen, schnelle Richtungswechsel, wechselnde Lasten und teilweise hoch liegende Schwerpunkte auf. Klassische modellbasierte Regelungsverfahren stoßen dort schnell an Grenzen, weil reale physikalische Effekte nur vereinfacht erfasst werden und dadurch ein deutlicher Sim-to-Real-Gap zwischen Simulation und realem Verhalten entsteht. DynaFoRo knüpft an den Stand der Forschung zu lernbasierter Robotik, simulativer Modellbildung und Reinforcement Learning an. Ziel ist die Entwicklung datengetriebener und lernbasierter Verfahren für die dynamische Fortbewegung unterschiedlicher Robotersysteme und deren Übertragung auf reale Plattformen. Im Mittelpunkt stehen humanoide, fahrende und hybride Roboter. Methodisch verbindet das Vorhaben klassische Regelung mit Hybrid Machine Learning und Guided Reinforcement Learning, um Simulationen realitätsnäher zu machen und daraus robustere Regelungen für reale Systeme abzuleiten.