Derzeit zeigen Roboter Manipulationsfähigkeiten, die Aktionen wie das Aufnehmen und Platzieren von Objekten oder das Ausschütten von Flüssigkeit aus Behältern ermöglichen. Für Aktionen, die eine feinere in-Hand Manipulation der Objekte erfordern, um diese neu zu positionieren oder als Werkzeuge zu verwenden, sind Roboter noch nicht geschickt genug. Diese Mängel werden noch deutlicher, wenn man bedenkt, mit welcher Leichtigkeit Menschen solche Manipulationen täglich durchführen, und während diese Einschränkungen nicht adressiert werden, können Roboter dem Menschen bei ihren täglichen Aktivitäten nicht in vollem Ausmaß helfen.

Der Umfang der möglichen Interaktionen und die hohe Dimensionalität, die geschickteren Roboterhänden innewohnt, macht es schwierig, sich dem Manipulationsproblem zu nähern. Traditionelle Steuerungsansätze zur geschickteren in-Hand Manipulation funktionieren oft unter der Annahme, dass physikalische Wechselwirkungen, Objekteigenschaften, Kinematik und Dynamik des Roboters genau modelliert werden können. Leider halten diese Modellierungsannahmen den meisten realen Umgebungen nicht stand, da sich die Unsicherheiten entlang der einzelnen Modelle aufsummieren. Andererseits erweist sich die Entwicklung von Lernansätzen, die für alle notwendigen Manipulationen verallgemeinern würden, als schwierig, da Zustandsräume, die sich aus den Freiheitsgraden der Roboter und dem notwendigen Feedback zusammensetzen, oft zu hochdimensional und damit schwer zu erforschen sind.

Die Rolle der taktilen Informationen, ist für die geschickte in-Hand Manipulation einer der auffalendsten Unterschiede bei der Betrachtung von menschlichen und robotischen Systemen. Das menschliche System besteht aus Tausenden von taktilen Afferenzen, die detaillierte Informationen darüber liefern, was an jedem Interaktionspunkt während der Manipulationsaktion passiert. Andererseits verlassen sich traditionelle robotergestützte Manipulationsansätze oft auf Visuelles oder Kräfte Feedback. Oft fehlen hierbei die Informationen die direkt an der Kontaktstelle gesammelt werden, oder die verschiedenen Formen von Informationen die durch taktiles Feedback bereitgestellt werden.

In dieser Arbeit untersuchen wir die taktile Sensorik als Mittel, um die Lücke in der Manipulationsfähigkeit zwischen Mensch und Roboter zu schließen, indem wir analysieren, wie man relevantes Feedback aus den hochdimensionalen taktilen Räumen extrahieren kann und indem wir erforschen wie man die Komplexität des Manipulationsproblems auf modulare Komponenten verteilt und diese Komponenten verwendet, um den Einsatz leistungsfähiger maschineller Lernansätze zu ermöglichen, ohne Verallgemeinerungsfähigkeiten zu verlieren.

Kapitel 2 behandelt die Rückgewinnung relevanten Feedbacks aus den taktilen sensorischen Informationen. Das gewünschte Signal ist hier der Zustand der Interaktion zwischen Roboter und Objekt, insbesondere die Kenntnis von Ereignissen wie z.B. den Schlupf zwischen Objekt und Fingeroberfläche. Durch den Einsatz von maschinellem Lernen prognostizieren wir solche Gleitereignisse in einer Weise, die für unbekannte Objekte verallgemeinerbar ist. Die Fähigkeit, taktilen Schlupf vorherzusagen, ermöglicht analytisch entwickelte Kontrolllösungen zur Stabilisierung von Objekten bei Verwendung eines einzigen Fingers. Dies wird für Fälle gezeigt, in denen der gegenläufige Kontakt auf dem Objekt entweder durch eine statische Ebene oder durch einen menschlichen Finger erfolgt.

In Kapitel 3 untersuchen und erweitern wir eine neurophysiologische Forschungshypothese auf den Bereich der Robotik. Diese Hypothese besagt, dass zur Stabilisierung von Objekten in der Hand, Finger unabhängig voneinander gesteuert werden können, ohne explizite Koordination. Wir nutzen die Vorteile des prädiktiven Schlupf Feddbacks voll aus und sorgen für eine stufenlose Steuerung durch jede der Fingersteuerungen. Wir zeigen, dass stabile Griffe auf unbekannten Objekten entstehen, während jeder Finger unabhängig voneinander gesteuert wird. Wir zeigen, dass die Koordination durch die beobachteten Störungen über das taktile Feedback jedes einzelnen Fingers erreicht wird.

Schließlich, in Kapitel 4, verwenden Sie die modulare Natur der Griffstabilisierungs Kontrolle, um das Erlernen von Manipulationsstrategien in einer hierarchischen Kontrollumgebung zu ermöglichen. Reinforcement Learning wird verwendet, um eine übergeordnete Steuerungsebene zu erlernen, die eine untere Ebene aus modularen Steuerungen nutzt. Die untere Ebene stellt sicher, dass die Objekte während der Manipulation im Griff bleiben. Darüber hinaus zeigen wir, dass eine solche Hierarchie die Übertragung von übergeordneten Strategien, die in der Simulation gelernt wurden, auf reale Systeme erleichtert, indem sie die untere Ebene als Abstraktion der taktilen Informationen verwendet.