Der Selforg-Controller ist ein Feed-Forward-Netzwerk, das auf der Basis des sogenannten Zeitschleifenfehlers, einem von Prof. R. Der aus der Theorie dynamischer Systeme abgeleiteten Komplexitätsmaß, gelernt wird. Die Grundidee dabei ist, eine zeitinverse Dynamik durch Einsatz eines adaptiven Selbstmodells für das Verhalten des Roboters einzuführen. Das eigentliche Ziel ist dann, das System (bestehend aus Controller und Selbstmodell) in der zeitumgekehrten Welt gegen die Modellierungsfehler zu stabilisieren. Der Controller lernt somit, wie er bei guter Modellierbarkeit seines Verhaltens in seiner physikalischen Welt agieren kann. Dieses sogenannte Prinzip der Homöokinese realisiert eine völlig selbstbestimmte Entwicklung des Roboters. Ziel aktueller Arbeiten ist die Integratioin von äußeren Vorgaben in diesen Prozess.

Dieses Prinzip wurde in dem lpzRobots-Paket, welches die Ansteuerung sowohl simulierter als auch realer Roboter ermöglicht, als robuster Algorithmus implementiert. Dadurch können Roboter mit mehr als 20 unabhängigen Freiheitsgraden in Echtzeit stabil auf einem normalen PC gesteuert werden. Die bisherigen Ergebnisse lassen sich sehr eindrucksvoll auf der Videoseite nachvollziehen.

Es stellt sich die Frage, ob informationstheoretisch fundierte Komplexitätsmaße in der Robotik sowohl als Maße für die Beurteilung und Klassfikation von Verhalten als auch als Zielfunktion der Selbstorganisation des Verhaltens dienen können.

Erste Ergebnisse liegen für die sogenannte prädiktive Information vor, ein Maß für die Information aus der Vergangenheit, die für die Vorhersage der Zukunft genutzt werden kann. Technisch ist das die Transinformation zwischen Vergangenheit und Zukunft in der Zeitreihe der Sensorwerte des Roboters. Sie verschwindet sowohl für Verhalten, die völlig vorhersagbare Konsqequenzen haben, als auch für völlig chaotische Verhalten. Maximal ist sie jedoch dann, wenn der Roboter ein reiches, aber kontrolliertes Verhalten zeigt. Es konnte gezeigt werden, dass Roboter mit maximaler PI besonders kooperationsfähig sind, so dass in einer Kette solcher Roboter körperübergreifende Moden ermergieren, sehr anschaulich in den Videos zu sehen.

Die Low-Level-Ansteuerung von realen Robotern erfolgt mit einem Eingebetteten System, dem Embedded-Controller-Board (ECB) mit der Plug&Learn-Architektur. Es bindet Sensoren und Motoren des Roboters in die sensomotorische Schleife ein und kommuniziert im klassischen Fall über eine XBee-Funkbrücke (ZigBee-Protokoll) mit dem PC, auf dem der Selforg-Controller berechnet wird.

Mit einem einheitlichen Übertragungsprotokoll können auch mehrere ECBs zu einer Einheit zusammengeschlossen und von einem Selforg-Controller gesteuert werden. Dadurch ist es möglich, einen Roboter aus mehreren unabhängigen Komponenten zu realisieren. Ein Beispiel dafür ist der SphericalRobot (siehe unten). Eine Vorstellung dieser Plug&Learn-Architektur ist in diesem Vortrag zu finden.

Um die selbstorganisierenden Controller nicht nur mit der 3D-Simulation ode_robots des lpzRobots-Pakets zu testen, sind robotische Realisierungen erforderlich. Die Ansteuerung erfolgt mit mittels ecb_robots des lpzRobots-Pakets und dem ECB (siehe oben).

Ein Beispiel eines Roboters ist der SphericalRobot (siehe Bild rechts), der von dem Künstler Julius Popp entwickelt wurde und der Robotics Group für wissenschaftliche Zwecke zur Verfügung gestellt wurde. An der Achse sind zwei Gewichte, realisiert durch die Akkus, mit Motoren angebracht. Diese werden durch das Motorboard MD23 angetrieben. Das ECB übernimmt dabei die logische Ansteuerung des MD23.Die Verlagerung der Gewichte bezüglich der Kugelmitte erzeugt einen Schwerpunkt und ein Drehmoment, welches die Kugel rollen lässt. Die an der Glasfaserhülle angebrachten Infrarotsensoren werden durch ein weiteres ECB ausgelesen. Ausführliche Informationen zur Physik und Ansteuerung des SphericalRobot sind in der Masterarbeit von Marco Eckert zu finden.

Ein weiteres Arbeitsfeld stellt die Nutzung des Bioloid-Roboterbaukastens dar. Dieser besitzt mehrere Servomotoren und ermöglicht durch seine modularen Bauteile Roboter mit sehr unterschiedliche Formationen. Die Ansteuerung eines Bioloid-Roboters, beispielsweise dem Humanoid, mit dem Selforg-Controller ermöglicht neue Erkenntnisse bezüglich des Embodiments, Bewegungsabläufen und des Langzeitgedächtnisses.

Ein erstes Video des ThreeChained TwoWheeled robot (wmv-Video, 720p high quality, 43MB) zeigt, dass Synchronisationseffekte zu interessanten Bewegungsmustern führen.

Das zweite Video des ThreeChained TwoWheeled robot (wmv-Video, 720p low quality, 31,3MB) ist etwas länger (5m26s). Es zeigt, wie die Roboterkette nach Kollisionen mit Hindernissen wieder losfährt. Außerdem ist ein Crash zu sehen, bei dem sich die Roboterkette aber aus dieser Situation befreien kann, obwohl bei dem Crash einer der drei TwoWheeled Roboter aus Versehen abgeschaltet wurde. Nachdem der deaktivierte Roboter wieder angeschaltet wird, fährt die Roboterkette weiter.

Die Steuerung von Prothesen mittels peripherer Nervensignale bilden einen weiteren Schwerpunkt der Robotics Group. Ziel ist die Realisierung einer Handprothese, welche die anatomischen und funktionellen Eigenschaften der menschlichen Hand optimal abbildet. Am Institut wurde eine künstliche Hand realisiert, die erstmals auf dem 13. ISPO Welt Kongress vorgestellt wurde. Sie basiert auf anatomisch-kinematischen Aspekten der menschlichen Hand. Die Rekonstruktion einer menschlichen Hand bildet die Grundlage dieser künstlichen Hand. Sie hat daher eine vollkommen natürlich wirkende Bewegungsfähigkeit, identisch zum biologischen Vorbild. Zudem werden hohe Haltekräfte bis 10 Kg pro Finger erzielt.

Durch Sensoren in den Fingern kann der Träger mit sensorischen Informationen versorgt werden und gegebenenfalls Reflexe über die Steuerung der Prothese durchführen. Zusätzlich soll der Einsatz des Selforg-Controllers die Anlernphase für den Patient erheblich erleichtern.

Das ECB dient auch beim Prototypen bei der Prothese als Low-Level-Steuerung und sorgt für das Auslesen der sensorischen Information sowie der Motoransteuerung.

Die Verwendung Neuronaler Netze ist vornehmlich von der verfügbaren Rechenleistung abhängig. Ziel ist es, die Anzahl der Neuronen für Simulationen und Berechnungen in Echtzeit drastisch zu erhöhen, indem die inhärent parallele Ausführung für parallele Hardware optimiert wird. Hierfür eignen sich beispielsweise Multicore-CPUs, CUDA/OpenCL-GPUs oder Cell-Prozessoren.

Nicht nur künstliche Neuronale Netze stehen im Fokus, sondern auch die biologisch inspirierten Varianten. Gegenstand der Forschung ist es, diese Netze auf FPGAs abzubilden. Davon verspricht man sich, die Anzahl der Neuronen um mehrere Größenordnungen unter Beibehaltung der Echtzeitfähigkeit zu erhöhen.