Eine wesentliche Herausforderung bei autonomen Systemen wie Fahrzeugen oder Robotern bleibt der Umgang mit Situationen, die das System alleine nicht bewältigen kann. Bislang wurde diese sogenannte Kontrollübergabe (engl. Transfer of Control - ToC) weitgehend isoliert betrachtet. Ein wichtiger Schritt in Richtung Langzeit-Autonomer Systeme und Ziel von CAMELOT besteht darin, Systeme zu entwickeln, die aus vergangenen Situationen lernen können, um ihr Verhalten in zukünftigen, ähnlichen Situationen zu verbessern. Dadurch kann die Kontrollübergabe an den Menschen zumeist effizienter, in einigen Fällen sogar obsolet werden, was auch eine Kernforderung der Industrie ist, die sich mit diesem Thema auseinander setzt.
CAMELOT ist in diesem Sinne ein Folgeprojekt von TRACTAT und setzt auf dessen Ergebnissen auf, indem wir die Aufgabenstellung aus dem Blickwinkel selbstlernender Systeme und multimodaler Mensch-Maschine-Interaktion betrachten. Modelle des maschinellen Lernens unterstützen das System dabei, Situationen zu erkennen und zu klassifizieren. Die Modelle sind mehrfach adaptiv; sie können durch passive Beobachtung und durch aktives Anlernen eines Benutzers verbessert werden, um mit neuen Situationen umzugehen. Multimodalität spielt einerseits als Quelle für die Erkennung von Benutzerverhalten in Reaktion auf das System eine Rolle, sowie für die natürliche Kommunikation zwischen System und Benutzer, falls es zu einer Kontrollübergabe kommt. Durch Einsatz neuer Methoden bei der Kombination von symbolischem und subsymbolischem Lernen wird nicht nur die Erklärbarkeit und Erweiterbarkeit sichergestellt, sondern auch eine Verbesserung der Erkennungsleistung insgesamt gegenüber dem Stand der Technik angestrebt.
Durch seine Living Labs ist das DFKI hervorragend als Standort zur Umsetzung demonstrationsfähiger Prototypen für die neue Form von Langzeit-Autonomen Systemen geeignet. In CAMELOT werden Demonstratoren für Industrie 4.0, Handel sowie für die Automobildomäne entwickelt und in zwei großen Studien evaluiert.
