Reinforcing the Driving Quality of Soccer Playing Robots by Anticipation (Verbesserung der Fahreigenschaften von fußballspielenden Robotern durch Antizipation)

Abstract

This paper shows how an omnidirectional robot can learn to correct inaccuracies when driving, or even learn to use corrective motor commands when a motor fails, whether partially or completely. Driving inaccuracies are unavoidable, since not all wheels have the same grip on the surface, or not all motors can provide exactly the same power. When a robot starts driving, the real system response differs from the ideal behavior assumed by the control software. Also, malfunctioning motors are a fact of life that we have to take into account. Our approach is to let the control software learn how the robot reacts to instructions sent from the control computer. We use a neural network, or a linear model for learning the robot's response to the commands. The model can be used to predict deviations from the desired path, and take corrective action in advance, thus increasing the driving accuracy of the robot. The model can also be used to monitor the robot and assess if it is performing according to its learned response function. If it is not, the new response function of the malfunctioning robot can be learned and updated. We show, that even if a robot loses power from a motor, the system can relearn to drive the robot in a straight path, even if the robot is a black-box and we are not aware of how the commands are applied internally.Zusammenfassung In diesem Artikel zeigen wir, wie ein vierrädriger holonomer Roboter Ungenauigkeiten beim Fahren korrigieren kann, indem die Regelungswerte für die Motoren geeignet modifiziert werden. Diese Verfahren arbeiten auch im Falle eines Motordefekts. Die Steuerung wird automatisch so angepasst, dass mit nur drei Motoren gefahren werden kann. Eine unpräzise Steuerung ist im Allgemeinen nicht zu vermeiden, denn die Räder können eine unterschiedliche Haftreibung mit dem Untergrund haben, Motoren haben durch Fertigungstoleranzen und Verschleiss unterschiedliche Leistungsmerkmale. Außerdem sind die Modelle zur Steuerung der Motoren oft so einfach gehalten, dass sie nicht exakt die physikalischen Eigenschaften widerspiegeln. Manchmal fallen Motoren aus, dies sollte ebenfalls berücksich-tigt werden. Bei unserem Ansatz lernt die Steuerungssoftware, wie der Roboter auf unterschiedliche Befehle reagiert und passt die Befehle dementsprechend an, bevor sie an den Roboter übergeben werden. Dafür benutzen wir ein neuronales Netz oder ein lineares Modell, um die Bewegung des Roboters vorherzusagen. Die Abweichungen der tatsächlichen Bewegung bezüglich der gewünschten Bewegung kann dann benutzt werden, um geeignetere Befehle zu wählen. Dies verbessert die Fahrweise des Roboters erheblich. Das gelernte Modell kann außerdem dazu genutzt werden, um den Zustand des Roboters fortlaufend zu testen. Falls eine zu große Abweichung zur Wirklichkeit besteht, kann ein anderes Modell gewählt werden oder ein neues gelernt werden. Wenn ein Motor eines Roboters an Leistung verliert, kann für diesen Roboter eine spezielle Vorhersage trainiert werden, damit der Roboter wieder akkurat fährt. Gerade wenn wenig Informa...

Learned Stochastic Mobility Prediction for Planning with Control Uncertainty on Unstructured Terrain

“…Stochastic mobility prediction models are typically used in reactive control or control compensation, where predictions, e.g., risk of slip, help to minimize deviation from a reference path (Karumanchi & Iagnemma, ; Helmick et al., ). Techniques have also been proposed for learning such control compensation through experience in the context of self‐modeling (Bongard, Zykov, & Lipson, ; Gloye, Wiesel, Tenchio, & Simon, ). Reactive techniques can compensate for control uncertainty, but they require a reference path to be provided a priori .…”

Evolutionary Robotics: Exploring New Horizons

“…Instead of learning behaviors, ER techniques may be used to directly learn a model of a real mechanical device [11,12,56,88]. Learning techniques can even be used to correct model errors online [33] or even to learn a complete model of the robot in action [13], thus opening the way towards robots able to adapt to motor failures in an online evolution scheme.…”

Space as an Invention of Active Agents

“…After Nicod, this line of research was for long time discontinued, until it was reinitiated in the field of artificial intelligence and robotics (Kuipers, 1978;Pierce and Kuipers, 1997). Nowadays, a whole body of work has accumulated describing how robotic agents can build models of themselves and their environments (Kaplan and Oudeyer, 2004;Klyubin et al, 2004Klyubin et al, , 2005Gloye et al, 2005;Bongard et al, 2006;Hersch et al, 2008;Hoffmann et al, 2010;Gordon and Ahissar, 2011;Sigaud et al, 2011;Koos et al, 2013). However, the question of the acquisition of the spatial concepts as something independent of particular sensory coding remains rather poorly studied [however, see Philipona et al (2003), Roschin et al (2011), and Laflaquiere et al (2012)].…”