Ein assistiver Roboterarm ist eine wertvolle Unterstützung für Menschen mit stark eingeschränkter Mobilität von Arm und Hand, aber anstrengend und zeitraubend zu nutzen, weil den sieben Be- wegungsmöglichkeiten (Freiheitsgraden) des Roboterarms nur zwei eines typischen Eingabegerätes (z.B. Joystick) gegenüberstehen. Deshalb muss sehr oft manuell zwischen Bewegungsmöglichkeiten umgeschaltet werden. Projektziel ist die Nutzung assistiver Roboterarme zu erleichtern, indem eine sensorbasierte Situationserkennung mit einer algorithmenbasierten Steuerung zu einem lernfähigen KI-basierten Steuerungssystem verbunden wird. Die durch das System vorgeschlagenen Bewegungsmöglichkeiten verhelfen Nutzenden zu einer vereinfachten Steuerung robotischer Assistenzsysteme, womit sich ihre Autonomie der Betroffenen im täglichen Leben erhöht.
Das DFKI entwickelt die Shared-Control Steuerung des Roboterarms Jaco, basierend auf der Implementierung einer Convolutional Neural Network (CNN) Architektur, die Tiefenbilder zweier TOF-Kameras und die aktuelle 6D-Pose des Roboterarms auf zwei Hauptfreiheitsgra-de für die Ansteuerung mit Hilfe eines 2D-Eingabegerätes abbildet. Für das CNN-Training baut das DFKI ein Realwelt- und ein Simulations-Trainingssystem auf in dem eingewiesene Proband*innen und Hilfskräfte mit einer 6 DoF SpaceMouse Robo-terarmbewegungen für ADLs demosntrieren. Zusammen mit der Munevo GmbH und Kinova (assoziierter Partner) integriert das DFKI die Hardware- und Softwarekomponenten des Kinova JACO in den autonomen Rollstuhl Rolland (Otto Bock Xeno Basis) für den Demonstrator. Hierzu zählen die elektronische und sensorische Integration, sowie die Anpassung der Fahrassistenz-Software.
Partner
- Frankfurt University of Applied Sciences, Frankfurt
- Westfälische Hochschule Gelsenkirchen Bocholt Recklinghausen, Gelsenkirchen
- Munevo GmbH, München
Prof. Dr. Udo Frese
