Kamera des Paderkicker – über sie beobachtet der Roboter seine Umgebung (Spielfeld, Bälle und andere Roboter)
BeBots arbeiten als „Smart Team“ mit einem Paderkicker als selbstoptimierendes Multiagentensystem zusammen.
Organic Computing ist eine anspruchsvolle Vision für zukünftige Informationsverarbeitungssysteme. Es basiert auf der Erkenntnis, dass wir bald von einer Vielzahl von autonomen Systemen umgeben sein werden, die ihre Umgebung wahrnehmen, frei kommunizieren und sich selbst organisieren, um Aktionen und Dienste bereit zu stellen. Ein „Organic Computing System“ ist ein technisches System, das dynamisch die aktuellen Bedingungen seiner Umgebung adaptiert. Es verfügt über die Eigenschaften selbstorganisierend, selbstkonfigurierend, selbstoptimierend, selbstheilend, selbstbeschützend, selbsterklärend und kontextbewusst zu sein.
Das Schwerpunktprogramm „Organic Computing“ der Deutschen Forschungsgemeinschaft (DFG) behandelt fundamentale Herausforderungen des Designs von Organic Computing Systemen; seine Zielsetzung ist ein tieferes Verständnis für die Emergenz globalen Verhaltens in selbstorganisierenden Systemen und das Design spezifischer Konzepte und Werkzeuge, um die Konstruktion von Organic Computing Systemen für technische Anwendungen zu unterstützen. Das Heinz Nixdorf Institut ist mit zwei Projekten beteiligt.
Im von Prof. F. Rammig und Dr. B. Kleinjohann geleiteten Projekt „A Modular Approach for Evolving Societies of Learning Autonomous Systems” geht es um die Entwicklung von selbstorganisierenden und selbstoptimierenden autonomen Systemen, die in Gruppen emergentes Verhalten aufweisen. Bisherige Ansätze befassen sich mit der Frage, wie einzelne Systeme Fehler behandeln und liefern erste Lösungen für individuelle Selbstadaption. Es ist aber weiterhin eine offene Frage, wie individuelle Selbstadaption das Verhalten und die Performanz von gesamten Gruppen beeinflusst. Wir untersuchen, wie ein System lernen kann, sich veränderlichen Umgebungen anzupassen und gleichzeitig das Verhalten der gesamten Gruppe zu berücksichtigen. Es wird ein modularer Ansatz verfolgt, bei dem ein System ein Modell von sich selbst und seiner Umgebung einschließlich seiner Gruppenmitglieder lernt, um zu entscheiden welche Verhaltensalternativen in spezifischen Situationen am viel versprechendsten sind. Unter anderem wurde ein Verfahren entwickelt, das – angelehnt an das System der so genannten menschlichen Spiegelneuronen – Imitation in Robotergruppen ermöglicht. Ein Spiegelneuron ist ein Neuron, das sowohl feuert, wenn der Mensch eine Aktion ausführt, als auch, wenn er einen anderen Menschen bei dieser Aktion beobachtet. Dieser Ansatz wurde in Robotersystemen umgesetzt, indem das Modul, das für das Lernen von Verhalten zuständig ist, gleichzeitig auch lernt, ähnliches Verhalten bei anderen Robotern zu erkennen. Zur Zeit wird untersucht, wie das Lernen von kooperativem Verhalten unterstützt werden kann. Der entwickelte modulare Ansatz wird simulativ und experimentell mithilfe des Paderkicker-Fußballroboter-Teams bzw. des Miniaturroboters BeBot evaluiert.
Im von Prof. F. Meyer auf der Heide und Prof. C. Schindelhauer (Universität Freiburg, ehem. Mitglied des Heinz Nixdorf Instituts) geleiteten Projekt „Smart Teams: Local Distributed Strategies for Self-Organizing Robotic Exploration Teams“ wollen wir die algorithmischen Grundlagen für ein Szenario legen, in dem ein Explorationsteam von Robotern (Smart Team) sich selbst organisieren muss, um Aufgaben wie die Exploration von unbekanntem Gelände und die Erledigung von Arbeiten in diesem Gelände zu erfüllen. Die Arbeit eines solchen Smart Teams muss von speziellen Strategien gelenkt sein, sowohl zur Exploration, als auch zur Auffindung wichtiger Objekte und zur Zuweisung von solchen Objekten zu Subgruppen von Robotern, die gemeinsam die Fähigkeiten haben dieses Objekt zu bearbeiten. Dass alle diese Aufgaben lokal, durch verteilte Strategien ausgeführt werden müssen, die auf einem mobilen Netzwerk von sich bewegenden Robotern agieren und die in einer robusten, effektiven Selbstorganisation des Teams resultieren muss, macht die zentrale Herausforderung dieses Projekts aus. Keiner dieser Roboter wird je mehr als ein sehr eingeschränktes, lokales Wissen über den globalen Zustand des Systems haben. Ihre Entscheidungen basieren lediglich auf ihren ei genen Beobachtungen und Entdeckungen, aus denen ein global gutes Verhalten des gesamten Teams resultieren muss. Dabei gilt es neben der Explorationsqualität, der kontinuierlichen Sicherstellung von Kommunikationskonnektivität und einer geschickten Aufgabenzuweisung auch den Energiebedarf der einzelnen Roboter zu berücksichtigen. Wir messen die Qualität dieser Strategien sowohl theoretisch, mit kompetitiver Analyse, als auch experimentell mit Hilfe unserer Simulationsplattform.
