Improving the reliability of service robots in the presence of external faults

Kuestenmacher, Anastassia; Plöger, Paul G.; Lakemeyer, Gerhard; Steinbauer, Gerald

doi:10.18154/RWTH-2019-02879

Improving the reliability of service robots in the presence of external faults = Verbesserung der Verlässlichkeit von Servicerobotern beim Auftreten von externen Fehlern

Kuestenmacher, Anastassia^RWTH*

2018 & 2019

Verantwortlichkeitsangabevorgelegt von Master of Science Anastassia Küstenmacher

ImpressumAachen 2018

Umfang1 Online-Ressource (xviii, 236 Seiten) : Illustrationen

Dissertation, RWTH Aachen University, 2018

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2019

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Lakemeyer, Gerhard (Thesis advisor)^RWTH* ; Plöger, Paul G. (Thesis advisor) ; Steinbauer, Gerald (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2018-11-19

Online
DOI: 10.18154/RWTH-2019-02879
URL: https://publications.rwth-aachen.de/record/758419/files/758419.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
external faults (frei) ; fault handling (frei) ; naive physics (frei) ; qualitative reasoning (frei) ; service robots (frei) ; simulation (frei)

Thematische Einordnung (Klassifikation)
DDC: 004

Kurzfassung
Im Bereich der Haushalts-Serviceroboter ist die Wiederherstellung des Systems nach Fehlern entscheidend um die Akzeptanz beim Nutzer zu verbessern. In diesem Zusammenhang konzentriert sich diese Arbeit auf einige bestimmte Fehler, die sich aus der Interaktion eines Roboters mit seiner realen Umgebung ergeben. Selbst ein gut gestalteter Roboter kann seine Aufgaben aufgrund von externen Fehlern, die durch eine unendliche Anzahl von unvorhersehbaren und nicht programmierten Situationen entstehen, nicht erfolgreich erfüllen. Durch die Untersuchung der häufigsten Fehler in typischen Szenarien, die bei alltagsnahen Demonstrationen und in Wettbewerben mit den autonomen Servicerobotern Care-O-Bot III und you Bot beobachtet wurden, haben wir vier verschiedene Fehlerklassen bestimmt, die durch Störungen, mangelnde Wahrnehmung, unzureichende Planungs-Operatoren oder sequentielle Handlungsabläufe verursacht wurden. Diese Arbeit stellt im Anschluss zwei Methoden zum Umgang mit externen Fehlern vor, die durch unzureichende Kenntnisse der Voraussetzungen des Planungs-Operators verursacht werden. Die erste Methode stellt die Schlussfolgerungen\(reasoning) bei erkannten externen Fehlern mittels Kenntnissen der naiven Physik dar. Das Wissen über die naive Physik wird durch die physikalischen Eigenschaften von Objekten repräsentiert, die in einem logischen Rahmen (logical framework) festgeschrieben sind. Die vorgeschlagene Herangehensweise wendet eine qualitative Version der physikalischen Gesetze auf diese Eigenschaften an, um sie zu begründen. Durch die Interpretation der Schlussfolgerungsergebnisse (reasoning results) "versteht" der Roboter die Situationen, welche den Fehler verursachen können. Die Anwendung der Methode bei einfachenManipulations-Aufgaben wie das Aufnehmen und Platzieren von Objekten zeigt, dass die naive Physik viele Möglichkeiten für Schlussfolgerungen zu unbekannten externen Fehlern in der Robotik bietet. Bei der zweiten Methode wird fehlendes Wissen zur Durchführung einer Handlung durch Lernen durch Experimentieren erworben. Zunächst untersucht sie eine Darstellung des auf ausführende Aktionen bezogenen Wissens (execution specific knowledge), welche für eine bestimmte Situation erlernt und für von der ursprünglichen Situation abweichende Situationen wiederverwendet werden kann. Die Kombination von symbolischen und geometrischen Modellen erlaubt es uns, das Wissen über die Ausführung von Aktionen effektiv darzustellen. Diese Darstellung wird hier als Action Execution Model (AEM) bezeichnet. Die Methode bietet eine Lernstrategie, die eine physikalische Simulation zur Erzeugung der Trainingsdaten verwendet, um sowohl symbolische als auch geometrische Aspekte des Modells zu erlernen. Die an zwei physikalischen Robotern durchgeführte experimentelle Analyse zeigt, dass AEM das auf ausführende Aktionen bezogene Wissen zuverlässig beschreiben und somit als ein mögliches Modell zur Vermeidung von externen Fehlern dienen kann.

In the field of domestic service robots, recovery from faults is crucial to promote user acceptance. In this context, this work focuses on some specific faults which arise from the interaction of a robot with its real world environment. Even a well-modelled robot may fail to perform its tasks successfully due to external faults which occur because of an infinite number of unforeseeable and unmodelled situations. Through investigating the most frequent failures in typical scenarios which have been observed in real-world demonstrations and competitions using the autonomous service robots Care-O-Bot III and youBot, we identified four different fault classes caused by disturbances, imperfect perception, inadequate planning operator or chaining of action sequences. This thesis then presents two approaches to handle external faults caused by insufficient knowledge about the preconditions of the planning operator. The first approach presents reasoning on detected external faults using knowledge about naive physics. The naive physics knowledge is represented by the physical properties of objects which are formalized in a logical framework. The proposed approach applies a qualitative version of physical laws to these properties in order to reason. By interpreting the reasoning results the robot identifies the information about the situations which can cause the fault. Applying this approach to simple manipulation tasks like picking and placing objects show that naive physics holds great possibilities for reasoning on unknown external faults in robotics. The second approach includes missing knowledge about the execution of an action through learning by experimentation. Firstly, it investigates such representation of execution specific knowledge that can be learned for one particular situation and reused for situations which deviate from the original. The combination of symbolic and geometric models allows us to represent action execution knowledge effectively. This representation is called action execution model (AEM) here. The approach provides a learning strategy which uses a physical simulation for generating the training data to learn both symbolic and geometric aspects of the model. The experimental analysis, performed on two physical robots, shows that AEM can reliably describe execution specific knowledge and thereby serving as a potential model for avoiding the occurrence of external faults.

OpenAccess:
PDF
(zusätzliche Dateien)