Safe Position Control of an Encountered-Type Haptic Display through Reinforcement Learning

Haptisches Feedback ist ein zentraler Bestandteil immersiver Virtual-Reality-Erlebnisse. Herkömmliche Handcontroller können jedoch nur eingeschränkt realistische Berührungen vermitteln. Mobile Encountered-Type Haptic Displays (mETHDs) setzen hier an: Sie positionieren physische Objekte autonom und „just-in-time“, sodass Nutzer reale Objekte genau dann ertasten können, wenn sie diese in der virtuellen Umgebung erwarten. Die sichere Navigation dieser Roboter in unmittelbarer Nähe von VR-Nutzern, die ein Head-Mounted Display (HMD) tragen, stellt jedoch eine anspruchsvolle Herausforderung dar.In dieser Arbeit wird ein End-to-End-Framework auf Basis von Deep Reinforcement Learning (DRL) vorgestellt, das die sichere und reaktionsschnelle Positionierung eines mETHD sowohl in Einzel- als auch in Mehrbenutzerszenarien ermöglicht.Das entwickelte System verarbeitet 2D-LiDAR-Daten mithilfe eines 1D Convolutional Neural Networks, um robuste Hindernisvermeidung sicherzustellen. Um die erhöhte Komplexität durch mehrere Benutzer zu bewältigen, wird das Steuerungsproblem in hierarchische Teilprobleme zerlegt: Eine strategische Policy schätzt die Nutzungsabsicht der VR-Nutzer ab, während eine Navigationspolicy die sichere Bewegung des Roboters ausführt. Quantitative Evaluationen in Simulationen zeigen, dass der DRL-Ansatz klassischen statischen oder heuristischen Baselines sowohl im Einzel- als auch im Mehrbenutzerfall deutlich überlegen ist. Die erlernten Policies reduzierten sicherheitskritische Eingriffe um über 88% und verbesserten die Positionierungszeiten für haptische Interaktionen bis um das Sechsfache. Diese Leistungsgewinne werden durch hochfrequente, proaktive Steuerung ermöglicht, die einen sicheren Betrieb des mETHD in unmittelbarer Nähe von Menschen erlaubt.Über VR-Anwendungen hinaus schaffen die in dieser Arbeit entwickelten Methoden eine Grundlage für intelligente, proaktive Robotersysteme, die sicher und zuverlässig in Mensch-Roboter-Interaktionsszenarien eingesetzt werden können.