Während Roboter in der Automobilindustrie oder in der industriellen Fertigung bereits seit Jahrzehnten zum Alltag gehören, ist ihr Einsatz in Krankenhäusern, in der Pflege oder im persönlichen Umfeld noch Neuland. Doch das soll sich in Zukunft ändern: Aktuelle Prognosen sagen für die kommenden Jahre einen Siegeszug der Servicerobotik voraus. Die Session zeigte den aktuellen Stand der Technik und die Grenzen der bestehenden Technologien, gab einen Überblick über die Anwendungsmöglichkeiten im Alltag und diskutierte Prognosen zur technischen Entwicklung.
Im ersten Impulsvortrag wies Tamim Asfour darauf hin, dass die Interaktion mit für Menschen gemachten Objekten eine der größten Schwierigkeiten für Roboter sei. Humanoide Roboter werden nicht nur im Haushalt, sondern auch in der Katastrophenhilfe oder in der Pflegerobotik Anwendung finden. Jedoch müssten diese Anwendungen noch erheblich günstiger werden, so der Referent.
Ulrich Reiser begann mit der Definition und Abgrenzung von Servicerobotik zur Industriellen Robotik und identifizierte anschließend die Branchen, in denen Serviceroboter bereits eingesetzt werden. Dazu gehören Logistik, Krankenhaus bzw. Pflege, Hotellerie, Handel sowie Interaktions-(Soziale) Roboter. Abschließend legte er die notwendigen Schlüsselfaktoren für den Erfolg von Service-Robotern dar: die Wirtschaftlichkeit und die Nutzerakzeptanz.
Die Interaktion des Roboters mit seiner Umwelt war das zentrale Thema des Vortrags von Verena V. Hafner. Wie der Roboter diese Interaktion erlernt, zeigte sie anhand von Developmental Robotics. Die Roboter sollen wie Kinder ihre sensomotorischen und sozialen Fähigkeiten lernen und so zu einer intuitiven Interaktion mit ihrer Umwelt befähigt werden.
Die Idee der Neurorobotik wurde inspiriert durch das Human Brain Projects, erläuterte Florian Röhrbein. Das Lernen funktioniere in der Neurorobotik wie beim menschlichen Gehirn, nämlich durch kontextbasiertes Lernen. Auf diese Weise können unbekannte Situationen mit einer höheren Wahrscheinlichkeit korrekt erfasst und zugeordnet werden, als dies bei Deep-Learning- Verfahren möglich ist. Damit könne direkt aus der Situation heraus das richtige Verhalten bestimmt werden.