„Was werde ich sehen, wenn ich um diese Ecke fahre?“
Je nachdem, was sich hinter dieser Ecke befindet, ist diese Frage für uns einfach zu beantworten. In einer Küche sehen wir wahrscheinlich einen Kühlschrank, an einem Hafen Schiffe und hinter einer Straßenecke eine Straßenlaterne. Diese Erwartungen haben wir ganz intuitiv, aufgrund des Wissens und der Erfahrungen, die wir über unsere Umgebung haben. Und diese Erwartungen helfen uns Tag für Tag dabei, Entscheidungen zu treffen.
Viel mehr noch können unsere Erwartungen uns dabei helfen, Gegenstände in unserer Umgebung wahrzunehmen. In einer Küche ist ein Kasten mit einer Tür mit größerer Wahrscheinlichkeit ein Kühlschrank als eine Telefonzelle.
Auch autonome Roboter können bereits in eingeschränkter Form Wissen über ihre Umgebung nutzen. Solches Wissen liegt oft in sogenannter symbolischer Form vor. Algorithmen zur Planung oder Entscheidungsfindung etwa können bereits auf symbolisches Wissen zurückgreifen, schwieriger ist es jedoch die „Wahrnehmung“ eines Roboters damit zu beeinflussen.
Während der letzten Jahre hat es gewaltige Fortschritte in der Wahrnehmung von Robotern gegeben, insbesondere in der Objekterkennung. Neuronale Netze werten Sensordaten, wie etwa Bilder, aus und können eine Vielzahl von verschiedenen Gegenständen mit großem Erfolg identifizieren. Aktuell ist dies für verschiedene Formen von Sensordaten möglich; das Einbringen symbolischen Wissens stellt jedoch noch ein Problem dar.
Im Projekt ExPrIS werden hierzu Ansätze erforscht, welche Erwartungen über die Umgebung in die Objekterkennung autonomer Roboter integrieren.
Die Herausforderung besteht dabei zum einen darin, kontextabhängige Erwartungen zu generieren. Es ist wahrscheinlicher, die Telefonzelle auf der Straße zu sehen als in der Küche. Zum anderen sollen diese Erwartungen auch unmittelbar in den Lern- und Erkennungsprozess von neuronalen Netzen integriert werden.
Dadurch wird ein Roboter in die Lage versetzt, vorhandene Informationen und Erfahrungen aktiv für seine Wahrnehmung zu nutzen und damit die Objekterkennung positiv zu beeinflussen. In Kombination mit bereits vorhandenen Methoden zur Entscheidungsfindung soll dadurch eine Möglichkeit geschaffen werden, das Verhalten von autonomen Robotern stabiler und zuverlässiger zu machen.
