To achieve seamless human-robot interaction, each agent should adapt to the anticipated state of the other. Inferred intentions should be a decisive factor on how a robot makes high-level decisions. The large state space of possible solutions to what action the human intends to perform in the environment, as well as the timing constraints to achieving a solution, renders the task of intention recognition nontrivial. However, a robot with abilities of estimating the intended actions of humans in its environment can anticipate their needs and plan accordingly. In this thesis, we present a control approach to intention recognition based on Dynamic Field Theory (DFT). We present this cognitive control architecture as a dynamical model that enforces concepts of embodied embedded cognition (EEC) where (generation and understanding) intelligent behavior is a product of the interaction between the agent’s body, cognitive abilities, and the environment that it is situated in. The proposed work that is based on DFT estimates the driving force behind an agent's action by introducing an integration between top-down and bottom-up processes. In order to achieve intention recognition, we construct the control problem as a dynamic decision-making system. The first level of the top-down process tries to understand the context behind the observed kinematic movements of a human. The second level of the top-down process compares the observed the trajectory against a range of learned movements for recognition. The overall intention is recognized by understanding the performed actions in a top-down direction by mixing signals from the inference blocks as mentioned above. Explicitly, these two processes make sense of the observed action by parsing the trajectory of the movement on the one hand and the contextual meaning behind the movement on the other. This involves controlling traveling peaks in the integro-differential field equations and stabilizing the solutions of those traveling peaks. Finally, internal simulation allows the system to be predictive in the task of intention recognition. This internal simulation of movement generation represents the bottom-up process. The framework is tested in an environment within which perform high-level actions. Using the solutions as mentioned above, the system can come to a decision on what action the human is performing and what the underlying context is. Furthermore, the internal simulation bottom-up process is validated on a two-dimensional musculoskeletal arm model.     «

To achieve seamless human-robot interaction, each agent should adapt to the anticipated state of the other. Inferred intentions should be a decisive factor on how a robot makes high-level decisions. The large state space of possible solutions to what action the human intends to perform in the environment, as well as the timing constraints to achieving a solution, renders the task of intention recognition nontrivial. However, a robot with abilities of estimating the intended actions of humans in...     »

Um eine reibungslose Mensch-Roboter-Interaktion zu erzielen, sollte sich jeder Akteur dem erwarteten Zustand des anderen anpassen. Die Interpretation von Intentionen sollte ein entscheidender Faktor dafür sein, wie ein Roboter Entscheidungen auf hoher Ebene trifft. Die vielen Möglichkeiten, die Handlungen des Menschen zu deuten sowie die zeitlichen Beschränkungen zur Erreichung einer bestimmten Deutung, machen die Intentionserkennung zu einer Herausforderung. Ein Roboter jedoch, der die Fähigkeit besitzt, die beabsichtigten Handlungen von Menschen in seiner Umgebung vorherzusagen, kann auch deren Bedürfnisse voraussagen und demgemäß Vorbereitungen treffen. In dieser Arbeit präsentieren wir einen regelungstechnischen Ansatz zur Intentionserkennung basierend auf der Dynamischen Feldtheorie (DFT). Die Kognitive Steuerungsarchitektur ist als dynamisches Modell implementiert, welches ein EEC-Konzept (Empodied Embedded Cognition) umsetzt. Die vorliegende, auf DFT-basierte Arbeit, bewertet die treibende Kraft hinter der Handlung des Akteurs, indem sie eine Integration zwischen Top-Down- und Bottom-Up-Prozessen vorschlägt. Um die Erkennung von Intentionen zu erreichen, ist das Steuerungsproblem als ein dynamisches Entscheidungsfindungssystem definiert. Die erste Ebene des Top-Down-Prozesses versucht den Kontext hinter den kinematischen Bewegungen eines Menschen zu verstehen. Die zweite Ebene des Top-Down-Prozesses vergleicht für die Intentionserkennung die beobachtete Trajektorie mit einer Reihe gelernter Bewegungen. Zusammenfassend wird die Intention wie folgt erkannt: Die ausgeführte Handlung wird in einer Top-Down-Richtung registriert und Signale werden von den oben erwähnten Inferenzblöcken gemischt. Diese beiden genannten Prozesse erschließen eine Bedeutung aus der beobachteten Aktion durch die Analyse der Bewegungsbahn einerseits und der kontextuellen Bedeutung der Bewegung andererseits. Dies beinhaltet das Steuern der Bewegungsmaxima in den Integrodifferentialfeldgleichungen und die Stabilisierung der Lösungen dieser wandernden Maxima. Schließlich ermöglicht die interne Simulation dem System eine Vorhersage für die Absichtserkennung zu treffen. Diese interne Simulation der Bewegungserzeugung repräsentiert den Bottom-Up-Prozess. Das System wird in einer Umgebung getestet, in der die Teilnehmer bestimmte Szenarien durchführen. Unter Verwendung der zuvor genannten Analyse kann das System zu einer Entscheidung darüber gelangen, welche Aktion der Mensch ausführt und welcher Kontext zugrunde liegt. Darüber hinaus wird der Bottom-Up-Prozess der internen Simulation durch die Verwendung eines zweidimensionalen Muskelskelettarmmodells validiert.     «

Um eine reibungslose Mensch-Roboter-Interaktion zu erzielen, sollte sich jeder Akteur dem erwarteten Zustand des anderen anpassen. Die Interpretation von Intentionen sollte ein entscheidender Faktor dafür sein, wie ein Roboter Entscheidungen auf hoher Ebene trifft. Die vielen Möglichkeiten, die Handlungen des Menschen zu deuten sowie die zeitlichen Beschränkungen zur Erreichung einer bestimmten Deutung, machen die Intentionserkennung zu einer Herausforderung. Ein Roboter jedoch, der die Fähigkei...     »