PhysWM - Lernen von kausalen physikalischen Weltmodellen

Abstract

Zentrales Ziel des von PhysWM war es, die Sample- und Modellkomplexität von Roboter- Lernalgorithmen zu reduzieren. Dazu wurden bekannte physikalische Gleichungen mit Machine Learning Modellen zusammengeführt, um sich schneller an unbekannte Umgebungen anzupassen und Unsicherheiten zu quantifizieren. Kausales Lernen wurde auf dieses Weltmodell angewendet, um exploratives Verhalten zu generieren und Lernprozesse zu beschleunigen. Die in PhysWM entwickelten Algorithmen und Softwarekomponenten, die moderne, differenzierbare Physik-Engines mit Lernmethoden kombinieren, ermöglichen es Robotersystemen weitgehend autonom ein physikalisch plausibles Weltmodell zu entwickeln. Dazu wurde ein hybrider Simulator entwickelt, der aus differenzierbaren Physik- und Rendering-Modulen besteht. Dieses hybride Modell aus universellen physikalischen Vorkenntnissen und neuronalen Netzen ermöglicht die Anwendung Gradienten-basierter Optimierungstechniken und eine direkte Schätzung der Modellunsicherheit. Beides sind Erfolgsfaktoren für die effiziente Anpassung an neue Umgebungen und für die präzise Erklärbarkeit erlernter Modelle und Verhaltensweisen, welches zentrale Herausforderungen für die Autonomie robotischer Systeme darstellen.