Mensch-Maschine-zentrierte Entwicklungsmethoden

Mensch-Maschine-zentrierte Methoden sind für die Entwicklung von mensch-orientierten Technologien, die synergetisch mit ihren Nutzende zusammenarbeiten, von entscheidender Bedeutung. Aktuelle Forschung zeigt, dass Human Factors und technische Aspekte zugleich berücksichtigt werden müssen, um effiziente Lösungen zu entwickeln, die von Nutzenden akzeptiert werden. Hierzu werden Studien mit Nutzenden sowie Personen mit Expertise mit etablierten Produktentwicklungsmethoden kombiniert, um Rahmenwerke zur Mensch-Maschine-zentrierten Entwicklung zu schaffen.

Unsere Forschung beschäftigt sich mit der Identifikation und Modellierung von Human Factors sowie der Entwicklung von Entwurfsmethoden. Unser Ziel ist ein ganzheitliches Verständnis davon, welchen Einfluss Human Factors auf die Entwicklung von Robotiksystemen haben, und dies methodisch zu berücksichtigen.

Laufende Projekte

Lernende prädiktive Wartung von vernetzten Geräteflotten

Gefördert durch die Bayerische Forschungsstiftung AZ-1586-23

In diesem Projekt soll die prädiktive Wartung vernetzter Geräteflotten mit Hilfe von Lernverfahren und der Integration von Expertenwissen vorangetrieben werden. Zu diesem Zweck kombinieren wir maschinelles Lernen mit physikalischen Modellen, analysieren Datenflüsse zwischen Systemen analysieren, und berücksichtigen menschlische Expertise zum Systemverhalten und möglichen Fehlerfällen. Der daraus resultierende Ansatz zur prädiktiven Wartung für vernetzte Geräteflotten wird auf verschiedene Klassen von Systemen übertragen. Neben der Untersuchung industrieller Anwendungen werden wir eine Flotte mobiler Roboter aufbauen, um die Fähigkeiten des prädiktiven Wartungsansatzes zu demonstrieren und ihn der akademischen Welt, der Industrie und darüber hinaus zur Verfügung zu stellen.

Aktives Transferlernen mit neuronalen Netzen durch Mensch-Roboter-Interaktion (TRAIN)

Gefördert durch die DFG: BE 5729/16

In unserer Vision interagieren autonome Roboter mit Menschen im Industriekontext, im Gesundheitssektor oder in Haushaltsanwendungen. Aus technischer Sicht erfordern alle diese Anwendungsfelder, dass Roboter während der Ausführung einer Vielzahl verschiedener Motorik- und Manipulationsfähigkeiten große Datenmengen aus verrauschten Sensorsignalen verarbeiten. Aus Sicht vieler potentieller Anwender ist die manuelle Programmierung von Fertigkeiten bzw. die Verwendung aktueller Lernansätze, die nur von Personen mit Expertise bedient werden können, nicht geeignet um intelligente autonome Systeme bei Alltagsaufgaben einzusetzen. In diesem Projekt zielen wir darauf ab, das Erlernen von Roboterfertigkeiten mit tiefen neuronalen Netzwerken zu verbessern, wobei menschliches Feedback und Nutzendenanweisungen berücksichtigt werden. Menschliche Lehrende bewerten verschiedene Transferlernstrategien des künstlichen neuronalen Netzwerks, um das Erlernen neuartiger Fertigkeiten zu verbessern.

Mehr Informationen können hier gefunden werden.

  • Cansev, M. E., Xue, H., Rottmann, N., Bliek, A., Miller, L. E., Rueckert, E., & Beckerle, P. (2021). Interactive Human–Robot Skill Transfer: A Review of Learning Methods and User Experience. Advanced Intelligent Systems, 3(7), 2000247.
  • Denz, R., Demirci, R., Cansev, M. E., Bliek, A., Beckerle, P., Rueckert, E., & Rottmann, N. (2021, December). A high-accuracy, low-budget Sensor Glove for Trajectory Model Learning. In 2021 20th International Conference on Advanced Robotics (ICAR) (pp. 1109-1115). IEEE.

EFFiziente und schnelle textEiNgabe für menschen mit motorischen behinDerungen neuromuskulär-Induzierter art (EFFENDI)

Gefördert durch die DFG: FE 936/6

Menschen mit motorischen Beeinträchtigungen sind oft nicht in der Lage, eine Computertastatur effizient zu bedienen und sind daher auf alternative Eingabemethoden angewiesen. Für Nutzende mit neuromuskulären Erkrankungen werden in diesem Projekt Alternativen entwickelt, die sich durch modulare, multisensorische Schnittstellen an die individuellen Symptome der einzelnen Personen anpassen können. Der praktische Einsatz der entstehenden Eingabegeräte wird im Rahmen eines menschenzentrierten Entwicklungsprozesses durch die kontinuierliche Einbeziehung der Zielgruppe sichergestellt.

  • Gür, D., Schäfer, N., Kupnik, M., & Beckerle, P. (2020). A human–computer interface replacing mouse and keyboard for individuals with limited upper limb mobility. Multimodal Technologies and Interaction, 4(4), 84.
  • Andreas, D., Six, H., Bliek, A., & Beckerle, P. (2022). Design and Implementation of a Personalizable Alternative Mouse and Keyboard Interface for Individuals with Limited Upper Limb Mobility. Multimodal Technologies and Interaction, 6(12), 104.

Abgeschlossene Projekte

Anwenderseitige Körpererfahrung und Mensch-Maschine-Schnittstellen in der (Assistenz-)Robotik

Gefördert durch die DFG: BE 5729/3&11

Dieses wissenschaftliche Netzwerk befasste sich mit der Körpererfahrung von Menschen, die Assistenzroboter oder andere körpernahe Robotiksysteme verwenden. Für ein besseres Verständnis technischer Möglichkeiten zur Verbesserung der Erfahrung analysierten die beteiligten Forschenden Maße zur Beurteilung der Körperrepräsentation sowie deren Berücksichtigung in neuen Entwurfsmethoden. Dies beinhaltet die Identifikation geeigneter Wahrnehmungskanäle und unterstützt die Entwicklung von neuen Mensch-Maschine-Schnittstellen sowie von Human-in-the-Loop Experimenten („robot hand/leg illusions“).

Weitere Informationen zu den Aktivitäten des Netzwerks finden sich hier.

  • Beckerle, P., Kõiva, R., Kirchner, E. A., Bekrater-Bodmann, R., Dosen, S., Christ, O., … & Lenggenhager, B. (2018). Feel-good robotics: requirements on touch for embodiment in assistive robotics. Frontiers in neurorobotics, 12, 84.
  • Beckerle, P., Castellini, C., & Lenggenhager, B. (2019). Robotic interfaces for cognitive psychology and embodiment research: a research roadmap. Wiley Interdisciplinary Reviews: Cognitive Science, 10(2), e1486.

Mensch-orientierte Methoden zur intuitiven und fehlertoleranten Regelung tragbarer Robotiksysteme

Unterstützt durch das „Athene Young Investigator“-Programm der TU Darmstadt

In diesem Projekt wurden Regelungsansätze für tragbare Robotiksysteme zur Bewegungsunterstützung und –augmentation entwickelt, die eine effiziente und natürliche Unterstützung bieten und verhindern, dass sich Nutzende „durch den Roboter gesteuert“ fühlen. Als Basis zur adaptiven Impedanzregelung dienen psychophysikalische Experimente zur Erfahrung der Steifigkeit tragbarer Roboter durch die Nutzende, um vielseitige Fortbewegungsarten und Fehlertoleranz zu gewährleisten. Durch Human-in-the-Loop-Experimente wurde zudem die Körperschemaintegration tragbarer Robotiksysteme durch ihre Nutzende untersucht.

  • Stuhlenmiller, F., Schuy, J., & Beckerle, P. (2018). Probabilistic elastic element design for robust natural dynamics of structure-controlled variable stiffness actuators. Journal of Mechanisms and Robotics, 10(1), 011009.
  • Stuhlenmiller, F., Perner, G., Rinderknecht, S., & Beckerle, P. (2019). A stiffness-fault-tolerant control strategy for reliable physical human-robot interaction. In Human Friendly Robotics: 10th International Workshop (pp. 3-14). Springer International Publishing.

Optimierte Vermessung, Anpassung und Fertigung von Beinprothesenschäften

Gefördert durch AiF/IGF: 18873 N/2

In diesem Projekt wurden Methoden zur Vermessung, Anpassung und Fertigung von Beinprothesen-Schaftsystemen erarbeitet. Auf Basis biomechanischer Messungen, dem Know-how von Orthopädiefachkräften und der subjektiven Bewertung durch Menschen mit Amputation wurden Modelle der Körper-Schaft Interaktion entwickelt und Vorschläge zu deren Einbettung in den technischen Entwurfsprozess gemacht.

  • Noll, V., Eschner, N., Schumacher, C., Beckerle, P., & Rinderknecht, S. (2017). A physically-motivated model describing the dynamic interactions between residual limb and socket in lower limb prostheses. Current Directions in Biomedical Engineering, 3(1), 15-18.
  • Noll, V., Whitmore, S., Beckerle, P., & Rinderknecht, S. (2019). A sensor array for the measurement of relative motion in lower limb prosthetic sockets. Sensors, 19(12), 2658.