PACT: A Framework for Predictive Task Validation and Adaptive Error Recovery in Robotic Systems

Abstract

Robotic systems operating in unpredictable real-world scenarios require high levels of intelligence and adaptability. This thesis presents the PACT (Predictive Adaptive Collaborative Twin) framework, which tightly integrates a real robotic system with its Digital Twin, enabling a unified workflow for training, validation, and adaptive improvement, with Reinforcement Learning (RL) as the core source of intelligence. The framework’s practical applicability is demonstrated on a simplified real-world grasping task, confirming PACT’s ability to bring training, deployment, and adaptation together holistically, while also identifying areas for future improvement.

Robotiksysteme die in unvorhersehbaren Szenarien in der realen Welt agieren benötigen ein hohes Maß an Intelligenz und Anpassungsfähigkeit. In dieser Arbeit wird das PACT (Predictive Adaptive Collaborative Twin) Framework vorgestellt, das ein reales robotisches System eng mit seinem Digitalen Zwilling verknüpft und einen einheitlichen Workflow für Training, Validierung und adaptive Verhaltensverbesserung schafft. Dabei kommt Reinforcement Learning (RL) als zentrale Methode zum Entwickeln von intelligentem Verhalten zum Einsatz. Die praktische Anwendbarkeit des Frameworks wird anhand einer vereinfachten Greifaufgabe in der realen Welt demonstriert. Die Ergebnisse bestätigen die Fähigkeit von PACT, Training, Deployment und Adaption ganzheitlich zusammenzubringen, und weisen gleichzeitig Bereiche mit Verbesserungspotenzial auf.