Projekt B05: Erklärbarkeit ko-konstruieren mit einem interaktiv lernenden Roboter
Die Informatiker*innen des Projekts B05 beschäftigen sich mit non-verbalen Erklärungen zwischen Maschine und Mensch: In Kontakt mit Menschen lernt der Roboter eine Tätigkeit, beispielsweise eine Bewegung. Dabei können Missverständnisse auftreten, denn Anwender*innen wissen häufig nicht, wie sich ein Roboter Fähigkeiten aneignet – ist die Blickrichtung des Roboters entscheidend oder sind es andere Faktoren, die das maschinelle Lernen beeinflussen? Die beteiligten Forscher*innen untersuchen, welche Vorstellungen die Proband*innen von der Funktionsweise eines Roboters haben und entwickeln Veranschaulichungen, mithilfe derer der Roboter das Verständnis der Nutzer*innen verbessern kann. Darüber hinaus untersucht das Projekt, wie sich unterschiedliche Stufen der Ko-Konstruktion auf das Verständnis auswirken. Auf der ersten Stufe geht es darum, das Lernsystem zu beobachten. Auf der zweiten Stufe kommt ein Scaffolding hinzu: Der*die Nutzer*in gibt dem Roboter Feedback. Auf der höchsten Stufe der Ko-Konstruktion unterstützen sich Nutzer*in und System gegenseitig. Der*die Nutzer*in beobachtet sowohl das System selbst als auch die Augmented-Reality-Visualisierungen und gibt Feedback, während das System wiederum die Visualisierungen basierend auf dem Nutzer*in-Feedback anpasst.
Forschungsgebiete: Informatik
Hilfskräfte
Anna-Lena Rinke, Universität Bielefeld
Arthur Maximilian Noller, Universität Bielefeld
Mathis Tibbe, Universität Bielefeld
Ehemalige Mitglieder
Leonie Dyck, Universität Bielefeld
Publikationen
Components of an explanation for co-constructive sXAI
A.-L. Vollmer, H.M. Buhl, R. Alami, K. Främling, A. Grimminger, M. Booshehri, A.-C. Ngonga Ngomo, in: K.J. Rohlfing, K. Främling, S. Alpsancar, K. Thommes, B.Y. Lim (Eds.), Social Explainable AI, Springer, n.d.
Practices: How to establish an explaining practice
K.J. Rohlfing, A.-L. Vollmer, A. Grimminger, in: K. Rohlfing, K. Främling, K. Thommes, S. Alpsancar, B.Y. Lim (Eds.), Social Explainable AI, Springer, n.d.
The power of combined modalities in interactive robot learning
H. Beierling, R. Beierling, A.-L. Vollmer, Frontiers in Robotics and AI 12 (2025).
Human-Interactive Robot Learning: Definition, Challenges, and Recommendations
K. Baraka, I. Idrees, T.K. Faulkner, E. Biyik, S. Booth, M. Chetouani, D.H. Grollman, A. Saran, E. Senft, S. Tulli, A.-L. Vollmer, A. Andriella, H. Beierling, T. Horter, J. Kober, I. Sheidlower, M.E. Taylor, S. van Waveren, X. Xiao, Transactions on Human-Robot Interaction (n.d.).
What you need to know about a learning robot: Identifying the enabling architecture of complex systems
H. Beierling, P. Richter, M. Brandt, L. Terfloth, C. Schulte, H. Wersing, A.-L. Vollmer, Cognitive Systems Research 88 (2024).
Advancing Human-Robot Collaboration: The Impact of Flexible Input Mechanisms
H. Beierling, K. Loos, R. Helmert, A.-L. Vollmer, Advancing Human-Robot Collaboration: The Impact of Flexible Input Mechanisms, Proc. Mech. Mapping Hum. Input Robots Robot Learn. Shared Control/Autonomy-Workshop RSS, 2024.
Technical Transparency for Robot Navigation Through AR Visualizations
L. Dyck, H. Beierling, R. Helmert, A.-L. Vollmer, in: Companion of the 2023 ACM/IEEE International Conference on Human-Robot Interaction, ACM, 2023, pp. 720–724.
Forms of Understanding of XAI-Explanations
H. Buschmeier, H.M. Buhl, F. Kern, A. Grimminger, H. Beierling, J. Fisher, A. Groß, I. Horwath, N. Klowait, S. Lazarov, M. Lenke, V. Lohmer, K. Rohlfing, I. Scharlau, A. Singh, L. Terfloth, A.-L. Vollmer, Y. Wang, A. Wilmes, B. Wrede, ArXiv:2311.08760 (2023).
Forms of Understanding for XAI-Explanations
H. Buschmeier, H.M. Buhl, F. Kern, A. Grimminger, H. Beierling, J.B. Fisher, A. Groß, I. Horwath, N. Klowait, S.T. Lazarov, M. Lenke, V. Lohmer, K. Rohlfing, I. Scharlau, A. Singh, L. Terfloth, A.-L. Vollmer, Y. Wang, A. Wilmes, B. Wrede, (n.d.).
Alle Publikationen anzeigen
