Georg Martius erhält ERC Consolidator Grant

Tübingen – Dr. Georg Martius, der die Forschungsgruppe Autonomes Lernen am Max-Planck-Institut für Intelligente Systeme in Tübingen leitet, wurde vom Europäischen Forschungsrat (ERC) mit einem Consolidator Grant ausgezeichnet. Martius und sein Team erhalten ab dem 1. Januar 2023 zwei Millionen Euro für einen Zeitraum von fünf Jahren.

„Diese Auszeichnung ist für meine Forschung von entscheidender Bedeutung, da sie mir und meinem Team ermöglicht, langfristige Forschungsprojekte anzugehen: die Entwicklung vielseitiger und geschickter Roboter“, sagt Martius.

Der ERC Consolidator Grant richtet sich an begabte Forscher*innen in Europa aller Nationalitäten mit sieben bis zwölf Jahren Erfahrung seit dem Abschluss ihrer Promotion. Nur Wissenschaftler*innen mit einschlägigen Forschungsarbeiten und einem sehr aussichtsreichen Antrag können sich gegen die Vielzahl der Bewerber*innen durchsetzen.

Dies ist Georg Martius mit dem Projekt „Modellbasiertes Reinforcement Lernen für vielseitige Roboter in realen Anwendungen“ – kurz REAL-RL gelungen. Martius und sein Team wollen das Forschungsfeld rund um autonome Roboter, die aus Erfahrungen lernen, erweitern. Indem Roboter lernen, neue und anspruchsvolle Aufgaben selbstständig zu lösen, legen Martius und sein Team den Grundstein dafür, dass Maschinen eines Tages im Alltag der Menschen zuverlässige Partner werden könnten.

Derzeit werden Roboter für eine bestimmte Aufgabe entwickelt und programmiert. Sie können im wahrsten Sinne des Wortes nicht leicht umschalten, wenn sie mit einer anderen Aufgabe betraut werden. Bei REAL-RL verfolgen die Forscher*innen einen lernenden Ansatz zur Robotersteuerung. Die vorherrschende Richtung in diesem Bereich verwendet modellfreie Methoden des sogenannten Reinforcement Learning (verstärkendes Lernen).

Damit ein Roboter lernt, eine neue Aufgabe zu lösen, müsste er eigentlich unglaublich oft mit seiner Umwelt interagieren. Doch das ist oft nicht möglich. Forscher umgehen dieses Problem, indem sie Simulationen der Welt als Trainingsdaten verwenden: sie simulieren alle möglichen Alltagsszenarien. Diese Simulationen erfordern jedoch detaillierte Kenntnisse aller möglichen Situationen, denen der Roboter ausgesetzt sein könnte.
REAL-RL umgeht dieses Problem, indem ein modellbasierter Ansatz vorgeschlagen wird. Modelle der Interaktion mit der Welt ergeben sich aus den Erfahrungen, aus denen der Roboter lernt und die er zur Planung und Anpassung seines Verhaltens während des laufenden Betriebs verwendet. Dieser modellbasierte Ansatz verspricht, wesentlich dateneffizienter zu sein und den Transfer wertvoller Erfahrungen zwischen verschiedenen Aufgaben zu ermöglichen.

„Indem wir eine allgemein gültige Lernmethode entwickeln, die für die Steuerung jedes beliebigen Roboters – ob fest oder weich, mit Beinen, Armen oder wie auch immer – verwendet werden kann, und diese mit jeder Erfahrung besser wird, hoffen wir eine solide Grundlage für künftige Roboteranwendungen zu schaffen“, so Martius abschließend.