Embodied Artificial Intelligence
Embodied Artificial Intelligence, auch als verkörperte Künstliche Intelligenz bezeichnet, bezieht sich auf KI, die in physische Systeme, wie beispielsweise Roboter, eingebettet ist und mit der Umgebung interagieren kann.
Im Gegensatz zum klassischen Maschinellen Lernen in der Robotik umfasst die verkörperte KI alle Aspekte der Interaktion und des Lernens in einer Umgebung: von der Wahrnehmung über das Verstehen, Denken und Planen bis hin zur Ausführung bzw. Steuerung. So wie menschliches Lernen auf Erkundung und Interaktion mit der Umwelt beruht, müssen verkörperte Agenten ihr Verhalten durch Erfahrung verbessern. Daher vereint die verkörperte KI mehrere Bereiche wie Computer Vision, Modellierung und Vorhersage der Umgebung, Planung und Kontrolle, Reinforcement Learning, physikbasierte Simulation und Robotik.
KI-Anwendungen für Maschinen
Gegenwärtig ist die KI-Forschung stark datengetrieben. Der revolutionäre Durchbruch des Deep Learning gelang folglich in Anwendungsbereichen, in denen Daten leicht verfügbar sind oder leicht generiert werden können. Dies ist folgerichtig in Cyber-Bereichen wie dem Internet, das selbst eine Quelle enormer Datenmengen ist. Betrachtet man Europa und insbesondere Deutschland, so basiert der Erfolg unserer Gesellschaft stark auf Technik und Robotik und konzentriert sich in hohem Maße auf Fertigung und Logistik. Daher ist es dringend erforderlich, sich stärker auf KI-Anwendungen für Maschinen zu konzentrieren.
Ansprechpartner
Verkörperte intelligente Agenten
Die Forschung im Bereich der Künstlichen Intelligenz für Maschinen erfordert daher einen Paradigmenwechsel hin zu Embodied AI. In der realen Welt sollte Intelligenz nicht isoliert existieren, sondern sich durch eine vielfältige, multimodale Interaktion mit der Umwelt manifestieren. Ein intelligenter Agent kann also nicht nur als eine Cyberkomponente betrachtet werden, sondern als ein Agent, der die Maschine verkörpert. Für einen solchen verkörperten intelligenten Agenten spielen seine physische Struktur und Eigenschaften, seine Sensorausstattung und Aktionsmöglichkeiten eine entscheidende Rolle.
Lernen und Interaktion
Im Einklang mit dem AI3-Paradigma besteht unser Ansatz zur Weiterentwicklung der verkörperten KI darin, dem Deep Reinforcement Learning eine geeignete Struktur hinzuzufügen. Auf diese Weise kann die Wahrnehmung und Planung komplexer Agenten-Umwelt-Interaktionen aus begrenzter Erfahrung gelernt werden. Mit Hilfe von Simulationen wird eine digitale Realität erzeugt, die es dem Agenten ermöglicht, zu lernen, umzulernen und zu validieren. Dementsprechend ist Embodied AI nicht nur von theoretischem Interesse, sondern auch für viele reale Anwendungen von Bedeutung. Sie betrifft viele der am Lamarr-Institut untersuchten Anwendungsbereiche, wie die Verarbeitung natürlicher Sprache (NLP), die Fertigung oder die Logistik.
