Intelligent Robot Learning Research – Bridging the Gap between Academia and Industry

At reproducere andres arbejde er en af de vigtigste elementer i videnskabelig forskning. Det gør det muligt for forskere, i fælleskab, at avancere deres respektive forskningsfelter og krydsvalidere resultater på tværs af institutioner, omstændigheder, eksperimentel variation, osv. Når forskning er irreproducerbar, eller ude af stand til at blive replikeret, hindres det teknologiske optag i industrien uanset forskningsområde og det forringer yderligere den akademiske verdens troværdighed. For real-world robot learning har problemerne med reproducerbarhed resulteret i en krise, hvor forskning offentliggøres – selv på store, velkendte og respekterede konference og tidsskrifter – trods mange artikler ikke indeholder alle de nødvendige detajler. Vi henviser til denne form for forskning som “look ma no hands” (dansk: se mor uden hænder) forskning.


Denne afhandling undersøger teknologier, der i øjeblikket er anvendelige – det vil sige industrielt anvendelig – til real-world robot learning med fokus på reinforcement learning (RL). Vi præsenterer et sæt af metoder og retningslinjer der tilsammen sikrer reproducerbarheden af forskningen. Vi undersøger den komplette udviklingspipeline, fra idé til implementering, og inkluderer vigtige aspekter såsom datahåndteringsplaner, sikkerhed og infrastruktur til orkestrering af læringspipelinen. Disse metoder stammer fra fire cases fra den virkelige verden, både fra akademiske og industrielle rammer. Vi argumenterer for, at en sådan tilgang ikke kun er vigtig for videnskabelige fremskridt, men også for at skabe den tillid, industrien kræver for at investere i resultaterne af forskning på dette område.