Autonomes Lernen
Georg Martius
Das Ziel der Forscher*innen um Georg Martius ist, Roboter zu erforschen, die ihre Bewegungsmöglichkeiten und ihre Umwelt auf ähnliche Art und Weise wie ein Mensch während seiner frühkindlichen Entwicklung erkunden und lernen, mit ihrer Umgebung zu interagieren. Diese Fähigkeit wird es Robotern ermöglichen, erfolgreich in einer komplexen und sich ständig verändernden Umgebung zu agieren.
Dynamische Lokomotion
Alexander Badri-Sprowitz
Tiere laufen nicht nur dynamisch, effizient und elegant, sondern passen sich dabei auch dem jeweiligen Terrain, in dem sie sich fortbewegen, an. Ihre Fortbewegung ist ein sorgfältig orchestriertes Zusammenspiel der Muskeln und Sehnen, das im Laufe der Evolution immer weiter optimiert wurde. Alexander Badri-Spröwitz und sein Team nutzen Roboter und Simulationen, um die Fortbewegung von Tieren und deren Bewegungsabläufe zu verstehen. Sie untersuchen, warum ein Tier einen Muskel aktiviert, welche Kräfte dafür sorgen, dass sich das Tier fortbewegen kann oder warum nicht alle Muskeln und Sehnen gleich sind. Diese im Laufe der Evolution angepassten Bauteile dienen den Forscher*innen als Vorlage für Roboter-Modelle, die den Vorteil haben, dass die Funktion der einzelnen Teile individuell getestet werden kann. Die daraus gewonnenen Erkenntnisse sollen helfen, die Entwicklung von Laufrobotern, Prothesen oder von Exoskelett-Technologien – äußere Stützstrukturen für den Körper – zu verbessern.
Embodied Vision
Jörg Stückler
Intelligente Systeme wie beispielsweise Roboter müssen in der Lage sein, in ihrer Umgebung zu lernen und sich anzupassen. Die Forschungsgruppe „Embodied Vision“ erforscht neuartige Methoden, durch die dynamische 3D-Szenen verstanden werden können. Dieses Wissen ist notwendig dafür, dass künstliche intelligente Systeme komplexe Aufgaben wie autonome Navigation oder die Manipulation von Objekten meistern können.
Die meisten bisher verbreiteten Ansätze, um Roboter bestimmte Aufgaben bewältigen zu lassen, basieren auf separaten Komponenten für Wahrnehmung und Steuerung, die spezifisch für einzelne Szenarien angepasst werden. Das Forscherteam um Stückler entwickelt hingegen ganzheitliche Methoden, die Roboter lernen lassen, wie sie mit der Umgebung interagieren und Aufgaben ausführen können. Dafür sollen die Roboter lernen aus Sensordaten von Kameras und Berührungssensoren ein Modell ihrer Umgebung zu entwickeln, das einen Bezug zu ihrer Aufgabe hat. Zudem sollen die Roboter lernen, vorherzusagen, welche unmittelbaren Effekte ihre Handlungen haben werden. So kann das gelernte Modellwissen wiederum in der Robotersteuerung verwendet werden.
Learning and Dynamical Systems
Michael Mühlebach
Machine learning algorithms, which aim at extracting and recognizing patterns from observed data, will play a central role for enabling robotic systems that efficiently and seamlessly adapt to changing environments. While current supervised learning techniques have been very successful at tasks such as image recognition, speech recognition, or personalized recommendations, their extension to cyber-physical and robotic systems leads to many challenges. A promising approach to deal with these challenges is to incorporate the wealth of a-priori known structure that many robotic and cyber-physical systems have, such as approximate models based on first principles, symmetries, and invariants. This could improve the sample complexity, ensure that the predictions generalize to unseen situations, and could also facilitate down-stream tasks.
At the Learning and Dynamical Systems Group we seek to extend techniques from machine learning, dynamical systems, and control theory for enabling future cyber-physical and robotic systems. While rigorous theory and mathematical analysis forms the basis of our research, we also evaluate our methods in experiments on real-world systems.
Organizational Leadership and Diversity
Ksenia Keplinger
The vision of the “Organizational Leadership and Diversity” group is to support leaders in using artificial intelligence to contribute to more tolerant, diverse, and inclusive organizations. We use qualitative (interviews, observations), quantitative (online experiments, lab experiments, field surveys), and mixed-methods to 1) investigate the use of artificial intelligence tools in the workplace to unleash the true potential of diversity and inclusion, 2) develop ways to mitigate bias in human-machine partnership, and 3) explore the nature of leadership in the artificial intelligence age.
Bioinspired Autonomous Miniature Robots
Wenqi Hu
Our group focuses on resolving the scientific challenge of achieving unprecedented robotic performance by (Area-1) developing smart robotic materials and then (Area-2) integrating them into complex functional robotic systems.
In Area-1, we’d like to develop materials to meet the requirement of robotics. This includes better controllability (behavior is deterministic and predictable) and reliability. At the next level, we want to make materials with embedded intelligence that can realize these properties more elegantly.
In Area-2, we have to point out that the integration is a grand challenge even though there are existing materials that are good in each specialized function. Therefore, it is very challenging to integrate them together due to conflicting requirements and the demand for compatible interfaces. To address the challenge of integration, we are developing different integration strategies and their corresponding fabrication methods.
Neural Capture & Synthesis
Justus Thies
The Neural Capture and Synthesis Group works at the intersection of computer graphics, computer vision and machine learning. Specifically, I am interested in marker-less motion capturing of facial performances, human bodies as well as general non-rigid objects. Besides capturing and reconstructing reality, I work on AI-based synthesis techniques that allow for photorealistic image and video synthesis.
Physik für Inferenz und Optimierung
Caterina De Bacco
Die Gruppe „Physik für Inferenz und Optimierung“ fokussiert ihre Forschung auf das Verständnis der Zusammenhänge zwischen mikroskopischen und makroskopischen Eigenschaften komplexer und großer interagierender Systeme wie beispielsweise Netzwerken. In Zusammenarbeit mit Expert*innen aus anderen Disziplinen entwickelt das Team um De Bacco Modelle und Algorithmen, die auf Prinzipien der statistischen Physik basieren. Dieses Wissen könnte sowohl dafür genutzt werden, Interaktionen auf der Ebene einzelner Komponenten zu modifizieren, um dadurch die Gesamteigenschaften eines Netzwerks zu optimieren, als auch dafür, den Zusammenhang zwischen komplexen Interaktionen innerhalb eines Großsystems vorherzusagen.
Eines der Forschungsinteressen der Gruppe ist die Optimierung von Navigationsrouten. Durch die Erhebung von Daten einzelner Fahrer und Daten von Fahrzeugen in ihrer unmittelbaren Nähe können Forscher Rückschlüsse auf die Verhaltensmuster dieser Gruppe ziehen und daraus Fahrverhaltensweisen verallgemeinern. Die Forscher*innen zoomen also einen Teil des Ganzen heran, beobachten die Verhaltensmuster in diesem Ausschnitt genau und projizieren ihre Ergebnisse auf das Gesamtbild. Mit diesem Wissen können individuelle Routen für alle Verkehrsteilnehmenden berechnet werden, die das gesamte Verkehrsmanagement optimieren und so Staus vermeiden, auch wenn dies für den Einzelnen unter Umständen eine längere Strecke bedeuten kann. In Zusammenarbeit mit dem Mathematischen Institut der Universität Padua entwickelte De Baccos Gruppe einen effizienten Algorithmus, der in der Lage ist, die optimale Lösung für viele solcher Routingprobleme zu finden.
Die Untersuchung von Inferenz in Netzwerken ist ein weiterer Schwerpunkt des Forscherteams um De Bacco. Inferenz schätzt die Parameter eines Modells, von dem angenommen wird, dass es bestimmte Daten generiert hat. De Bacco untersucht beispielsweise, wie wahrscheinlich es ist, dass Mitglieder eines sozialen Netzwerks miteinander interagieren. Ihre Gruppe hat dazu ein Modell entwickelt, durch das die Bedeutung eines Knotens in einem Netzwerk, die sogenannte Eigenvektorzentralität, abgeschätzt werden kann. Die Möglichkeit, dies abzuschätzen, ist besonders dann relevant, wenn es nicht möglich ist, diese Informationen auf Grund der Größe eines Netzwerks zu erhalten, wie beispielsweise bei sozialen Netzwerken.
Rationality Enhancement
Falk Lieder
Das Ziel der Forschungsgruppe um Falk Lieder ist es, Menschen zu ermöglichen, bessere Entscheidungen für sich selbst zu treffen. Dafür erforscht die Gruppe das Erlernen von Entscheidungsstrategien von grundlegender Forschung zu rationaler Entscheidungsfindung bis hin zu Prototypen für interaktive Lernsysteme. Das Team um Lieder erforscht dabei maschinelle Lernalgorithmen zur Entdeckung effektiver Entscheidungsstrategien. Darauf aufbauend entwickelt sie ein intelligentes Tutorsystem, das Menschen darin unterstützen soll, solche Strategien effizient zu erlernen.
Here you can additionally find information about Archived Departments and Research Groups (independent research group) that belonged to our institute for several years. Usually there is still a close scientific exchange between them and us, up to cooperation in scientific projects. The presence on our website shows the research activities of the groups during their time at MPI-IS.