Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

Testing of Learning Robots

Alternativ tittel: Testing av læringsroboter

Tildelt: kr 10,2 mill.

Fremtiden til industrielle roboter er rotfestet i utviklingen av roboter som kan samarbeide og lære i samspill med mennesker. Disse samarbeidende robotene må ha evnen til å forbedre og utvikle seg gjennom bruk av maskinlæringsalgoritmer. Det er utfordrende å trygt kontrollere og teste læringsevnen til eksponerte en- eller flerarmede roboter som opererer i direkte samspill med mennesker, ettersom det er umulig forutse eksakt hvilke forbedringer roboten gjør. Testing av slike roboter vokser fram som et stadig viktigere forskningsområde hvor kombinasjonen av ekspertise innen programvare testing, maskinlæring og robotikk er en nødvendighet. Det tverrfaglige prosjektet T-LARGO har som ambisjon å utvikle en ny vitenskapelig- og teknologisk base for å muliggjøre testing av samhandlende roboter. Prosjektets hovedmålsetning er å konstruere en åpen testplattform dedikert til samarbeidende roboter, samtidig som prosjektets hovedinnvirkning vil være å gi et vitenskapelig gjennombrudd innen hvordan man tester og kontrollerer roboter som er utrustet med kunstig intelligens. I 2019 undersøkte vi i dybden utfordringene som ble reist ved testing av maskinlæring og modeller for dyp læring og begynte å designe en metodikk som heter DeepRegression, som vi eksperimenterer på en UR3-samarbeidende robotplattform. I 2020 utformet vi en metode som heter MeTeRo der vi utforsker forskjellige metamorfe forhold som er opprettet for å teste robotplanleggerne og hvordan UR3-samarbeidsroboten oppfører seg når den distribueres i et miljø der mennesker samhandler med disse kobberne. I en annen arbeidslinje brukte vi generative adversarial nettverk (GAN) for å generere nye prøver i et levende miljø for å minimere feilklassifisering av landskap av cobots i et kontinuerlig integrasjonsmiljø. Etter våre resultater oppnådd på konstruktiv disjunksjon, undersøkte vi også hvordan anskaffelse av begrensning kan brukes til å lære disjunktive tidsplaner, vanligvis brukt i planlegging av robotoppgaver. I 2021, i tillegg til å publisere og formidle forskningsresultatene av prosjektet, har vi forsket på bruk av begrensningsprogrammering for gruvedrift i artikler (som kan være nyttig for testpraksis); vi har utviklet en ny algoritme for anskaffelse av begrensninger, kalt GECQA, for å lære kvalitative begrensningsnettverk i forbindelse med planlegging av robotoppgaver; og vi har foreslått en ny algoritme som kombinerer begrensningsinnhenting med optimalisering. Vi opprettet også et nytt datasett ved hjelp av et RGBD -kamera og robotarmen UR3. Dette datasettet er nyttig for å oppdage trygge og usikre miljøer for mennesker å jobbe med roboter og for å skape relasjoner mellom bilder og en ontologi basert på miljøet. Relasjonene og ontologien lager begge en scenediagram som vil trene GNNs til å forstå robotmiljøet og handle i henhold til forskjellige situasjoner. I en annen arbeidslinje utforsket vi bruken av GAN for klassemessig dataforstørrelse og spinalnettverk sammen med skarphetsbevisste minimeringsteknikker for trening. I 2022 fullførte vi forskningsaktivitetene til prosjektet ved å publisere hovedresultatene i konferanser og tidsskrifter med stor gjennomslagskraft. Vi benyttet oss også av besøket fra vår internasjonale partner (dvs. LIRMM Frankrike) for å styrke samarbeidet og diskutere videre aktiviteter. Prosjektresultatene har vært medvirkende til å anskaffe nye EU-finansierte prosjekter (dvs. AI4CCAM, MARS) i sammenheng med bruk av AI for testing av autonome systemer.

The T-Largo project scientific impact includes the publication of one book chapter in the prestigious Springer Nature collection, 2 journal articles and 10 international conference or workshop papers including one AAAI paper and one IJCAI article. Through a dedicated collaboration activity with ABB Robotics and the French Laboratory of Informatics and Robotics of Montpellier (LIRMM), we developed five software prototype tools that can generate test trajectories to stress test industrial robots using advance constraint reasoning, that can perform constraint acquisition to learn qualitative constraint networks, that implement robust image classification. These results contribute to the demonstration that symbolic machine learning technique such as constraint reasoning and acquisition are relevant for testing collaborative robots. The T-Largo project results have been instrumental to acquire two new EU-funded projects, namely AI4CCAM (TrustworthyAI for Connected Cooperative Automated Mobility) and MARS (AI-augmented digital manufacturing) that will both start early 2023. Acquiring these new HEU projects is impactful for Simula and will contribute to the European strategy of the research laboratory.

The future of industrial robotics is rooted in the development of robots that can collaborate and learn with humans. These collaborative robots would have the ability to evolve and improve their behaviours through the usage of machine learning algorithms. However, understanding how to control and test the learning skills of uncaged, single- or multi-arm robots and their ability to safely interact with humans is challenging as their expected improvements is not precisely known. Testing such robots is becoming a crucial research area where the combination of expertise in software testing, machine learning and robotics is strongly required. The ambition of the multi-disciplinary T-LARGO project is to develop a new scientific and technological foundation enabling the testing of learning collaborative robots. Its main objective is the construction of an open test platform dedicated to collaborative robots while its impact lies in major scientific breakthroughs on how to test and control robots equipped with artificial intelligence.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Ingen publikasjoner funnet

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon