DLR Portal
Home|Sitemap|Kontakt|Barrierefreiheit Impressum und Nutzungsbedingungen Datenschutz Cookies & Tracking |English
Sie sind hier: Home:Robotersysteme:Humanoide:Agile Justin
Erweiterte Suche
Institut für Robotik und Mechatronik
Abteilungen
Robotersysteme
Flugsysteme
Hände
Humanoide
Agile Justin
David
Rollin' Justin
Toro
Industrie
Laufroboter
Medizin/Pflege
Mobile Plattformen
Mensch-Maschine-Schnittstellen
Raumfahrt
Historie
Anwendungsfelder
Forschungsthemen
Projekte
Technologietransfer
Veröffentlichungen und Downloads
Stellenangebote
Anreise
News-Verzeichnis

Agile Justin

Der humanoide Roboter Agile Justin ist eine Forschungsplattform für lernende künstlicher Intelligenz (KI) im Bereich feinfühliger Manipulation. Zukünftige Anwendungsbeispiele für das System sind insbesondere der Service-Roboter für daheim oder die Unterstützung von Astronauten im Weltraum.

Der Roboter wird kontinuierlich weiterentwickelt, sein erster Vorgänger – damals noch ohne Räder –wurde bereits 2008 der Öffentlichkeit vorgestellt.

Technische Daten

Größe Erwachsener Mensch (1,91 m)
Gewicht 45 kg (Oberkörper) + 150 kg (Plattform)
Freiheitsgrade

53 (Plattform: 8, Arme: 2 × 7, Hände: 2 × 12 + 1, Oberkörper: 3, Hals: 2,)

Tragkraft 15 kg
Energieversorgung Batterie mit einer Betriebsdauer von > 60 min
Geschwindigkeit 2 m/s oder 7.2 km/h
Arbeitsbereich vom Boden bis zu einer Höhe von 2,7 m
Besondere Merkmale
  • Drehmomentsensoren in allen Gelenken
  • Ganzkörper-Regelung: 1 kHz  (über alle DOF)
  • Kopf mit 2 Stereokameras & RGB-D-Kameras
  • Taktile Haut mit Auflösung: 1-5cm am Körper & 2mm an den Händen
  • Rechenleistung: Onboard: 4x Intel Xeon Quadcore
Extern GPGPU-Server & Cloud-Zugang

Systembeschreibung

Agile Justin ist einer der weltweit fortschrittlichsten humanoiden Roboter für mobile Manipulation. Er ist mit sensorischen und motorischen Fähigkeiten ausgestattet, die denen des Menschen nahekommen. Das Autonomous Learning Lab des DLR nutzt Agile Justin als ideale Plattform für die Erforschung moderner Architekturen der lernenden Künstlichen Intelligenz (KI), insbesondere von generativen KI und des Deep Reinforcement Learning (RL). Das Labor erforscht das Lernen als Kernprinzip der Wahrnehmung, Modellierung und Handlung in autonomen Systemen, die in komplexen und sich ständig verändernden Umgebungen agieren.

Awards (Auswahl)

  • 2016 ICRA Best Cognitive Paper Award Finalist
  • 2016 ICRA Best Student Paper Award Finalist https://www.youtube.com/watch?v=623yRPx9Pkc
  • 2014 ICRA Best Video Award https://www.youtube.com/watch?v=Fl2N6yZrk1o
  • 2012 ICRA Best Vision Paper Award Finalist
  • 2011 ICRA Best Video Award Finalist https://www.youtube.com/watch?v=R6pPwP3s7s4
  • 2011 IROS Best Student Paper Award Finalist

Veröffentlichungen

Eine Auswahl der jüngsten Veröffentlichungen:

  • J. Pitz, L. Röstel, L. Sievers, and B. Bäuml. Dextrous tactile in-hand manipulation using a modular renforcement learning architecture. In Proc. IEEE International Conference on Robotics and Automation, 2023.  
  • Lennart Röstel, Leon Sievers, Johannes Pitz, and Berthold Bäuml. Learning a state estimator for tactile in-hand manipulation. In Proc. Int. Conf. Intelligent Robots and Systems, 2022  
  • Leon Sievers, Johannes Pitz, and Berthold Bäuml. Learning purely tactile in-hand manipulation with a torque-controlled hand. In Proc. IEEE International Conference on Robotics and Automation, 2022.  
  • Johannes Tenhumberg and Berthold Bäuml. Massively speeding up optimization-based motion planning through deep learning. In Proc. Int. Conf. Intelligent Robots and Systems 2022.  
  • Dominik Winkelbauer and Berthold Bäuml. A two-stage learning architecture that generates high-quality grasps for a multi-fingered hand. In Proc. Int. Conf. Intelligent Robots and Systems, 2022. 

 

 

Agile Justin – Bildergalerie

Joining Task

Agile Justin performing a precise joining task.
 

Quelle: DLR (CC BY-NC-ND 3.0).

  • Download 0,2 MB

Galerie teilen:

  • Facebook
  • twitter

automatica 2022

Agile Justin performing purely tactile dextrous in-hand manipulation. The strategy is learned from scratch in simulation using modern reinforcement learning methods.
 

Quelle: DLR (CC BY-NC-ND 3.0).

  • Download 16,27 MB

Galerie teilen:

  • Facebook
  • twitter

Learning

Learned in-hand manipulation in detail. The object is rotated to any of the possible 90 deg orientation. Learning using a GPU takes only 1 hour.
 

Quelle: DLR (CC BY-NC-ND 3.0).

  • Download 0,54 MB

Galerie teilen:

  • Facebook
  • twitter

Ballcatching

Ballcatching: Catching flying balls is not easy. A tight interplay of fast perception, realtime whole-body motion planning and precise execution is needed.
 

Quelle: DLR (CC BY-NC-ND 3.0).

  • Download 0,55 MB

Galerie teilen:

  • Facebook
  • twitter

Building a Mars Habitat

Agile Justin performs the benchmark scenario “Building a Mars Habitat”. This demonstrates esp. the fast learning-based whole-body motion planning.
 

Quelle: DLR (CC BY-NC-ND 3.0).

  • Download 0,3 MB

Galerie teilen:

  • Facebook
  • twitter

Galerie teilen:

  • Facebook
  • twitter
Kontakt
Dr. Berthold Bäuml
Deutsches Zentrum für Luft- und Raumfahrt (DLR)

Institut für Robotik und Mechatronik
, Autonomie und Fernprogrammierung
Oberpfaffenhofen-Weßling

Tel.: +49 8153 28-2489

Fax: +49 8153 28-1134

Videos
Shape Completion and Grasp Prediction for Fast and Versatile Grasping with a Multi-Fingered Hand (Youtube)
Estimator-Coupled Reinforcement Learning for Robust Purely Tactile In-Hand Manipulation (Youtube)
Lightweight and Torque Controlled Humanoids (Youtube)
Downloads
Agile Justin Flyer
Copyright © 2023 Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR). Alle Rechte vorbehalten.