Der Wechsel von einem Smartphone zum anderen ist meist ein reibungsloser Vorgang. Man loggt sich in seine Konten ein, und Apps, Einstellungen und Kontakte synchronisieren sich mit der neuen Hardware. Doch in der Welt der Robotik bedeutete der Austausch eines alten Roboterarms gegen ein neueres Modell bisher, alles von Grund auf neu einzurichten – bis jetzt.
Um das zu beheben, hat ein Forscherteam der Schweizer École Polytechnique Fédérale de Lausanne (EPFL) das entwickelt, was sie „Kinematische Intelligenz“ nennen – ein Framework, das den Wechsel von Robotern eher wie den Wechsel von Smartphones gestaltet. Sie beschreiben ihr System in einem aktuellen Paper in Science Robotics.
Jahrelang haben Robotiker daran gearbeitet, Robotern das Lernen durch Vorführung beizubringen – ihnen neue Fähigkeiten zu vermitteln, indem man ihnen zeigt, was zu tun ist, anstatt Codezeilen zu schreiben. Die Idee ist, den Roboterarm fernzusteuern oder physisch zu führen, um ihm eine Aufgabe beizubringen, wie das Abwischen eines Tisches, das Stapeln von Kartons oder das Schweißen eines Autoteils. Das Problem: Die meisten dieser erlernten Fähigkeiten bleiben an den spezifischen Roboter gebunden, mit dem das Training durchgeführt wurde.
Doch die Robotik entwickelt sich rasant weiter. „Die Roboter haben unterschiedliche Designs, und heutzutage werden ständig neue Designs vorgeschlagen – das bringt eigene Herausforderungen mit sich“, sagt Sthithpragya Gupta, Robotiker an der EPFL und Hauptautor der Studie. Hat ein neuer Roboter etwas längere Glieder, eine andere Gelenkausrichtung oder eine komplexere Konfiguration, bricht das erlernte Verhalten sofort zusammen, und der neue Roboter wird bei dem Versuch wahrscheinlich zucken, einfrieren oder abstürzen.
„Mit neuen Designs kommen unterschiedliche Fähigkeiten und Einschränkungen“, sagt Durgesh Haribhau Salunkhe, Robotiker an der EPFL und Koautor der Studie. „Das Problem ist, sich an diese Einschränkungen und Fähigkeiten anzupassen – die von einem Menschen demonstrierten Aktionen originalgetreu nachzubilden.“ Heute bedeutet der Sprung von einem Roboterkörper zum anderen meist, bei Null anzufangen und das gesamte System neu zu trainieren.
Wenn sich ein Roboter durch den Raum bewegt, um eine Aufgabe zu erledigen, muss er ständig berechnen, wie er seine Gelenke beugen muss, um seinen Endeffektor (das robotische Äquivalent einer Hand) auf dem richtigen Weg zu halten. Der Roboter muss vermeiden, an eine physische Grenze zu stoßen oder, schlimmer noch, an eine Singularität – in der Robotik eine mathematische Gefahrenzone: eine physische Konfiguration, bei der die Gelenke des Roboters so ausgerichtet sind, dass er vorübergehend einen Freiheitsgrad verliert. „In solchen Positionen kann die Bewegung des Roboters instabil werden oder man verliert die Kontrolle über den Roboter“, sagt Gupta.
In menschlichen Begriffen funktioniert das ungefähr wie das Blockieren der Ellbogen, wenn sie beim Schieben eines schweren Gegenstands vollständig gestreckt werden, was die Arme für einen Moment unfähig macht, seitliche Bewegungen auszuführen.
Die Übertragung von Fähigkeiten von einem Roboter auf einen anderen ist schwierig, weil unterschiedlich aufgebaute Roboter normalerweise eine unterschiedliche Topologie von Singularitäten haben. Wenn der Algorithmus eines Roboters blind einem Pfad folgt und auf eine Singularität trifft, versagt die Mathematik, die seine Gelenke steuert. Der Roboter könnte versuchen, ein Gelenk mit unendlicher Geschwindigkeit zu drehen, was zu einer plötzlichen, unsicheren Bewegung führt. Guptas Team löste dies, indem es den Robotern ein tiefes, angeborenes mathematisches Bewusstsein für ihre eigenen physischen Grenzen gab. Diese kinematische Intelligenz, wie sie es nennen, ermöglicht es einem Benutzer, eine Fähigkeit nur einmal vorzuführen und sie dann von einem völlig anderen Robotertyp sicher ausführen zu lassen.
Und (überraschenderweise heutzutage) wurde die kinematische Intelligenz auf KI-freie Weise entwickelt.
Traditionell haben Ingenieure Singularitäten durch Software-Fixes behandelt. Sie bauten inverse Modelle, komplexe mathematische Formeln, die vom Zielort des Roboter-Endeffektors rückwärts arbeiten, um alle erforderlichen Gelenkpositionen zu kartieren. Dann setzten sie einfach Sicherheitsfilter oder Korrekturen auf, um zu verhindern, dass der Roboter in Schwierigkeiten gerät.
Einige der neueren, datengesteuerten KI-Ansätze erfordern weniger Aufwand und Fachwissen, benötigen aber Zugang zu jedem Roboter, auf dem die Steuerungssoftware während der Trainingsphase eingesetzt wird. „Außerdem hat KI diese probabilistische oder Black-Box-Natur, bei der sie etwas tun kann, was man nicht erwartet“, sagt Gupta. „Wenn man eine Aufgabe mit einem Roboter ausführt, der sich in der Nähe von Menschen befindet, kann das zu Sicherheitsproblemen führen.“
Der Ansatz des Teams ist deterministisch, was bedeutet, dass die Ausgabe immer gleich ist, wenn die Eingabe gleich ist. Das macht das Verhalten des Roboters vorhersagbar und sicherer. „Wir haben mathematische Modelle verwendet, die die Kinematik des Roboters genau beschreiben“, sagt Gupta. „Das gibt uns eine Garantie, dass der Roboter die Aufgabe sicher ausführt.“
Die Forscher testeten ihr System an sechs verschiedenen Robotertypen, darunter handelsübliche Industrieroboter und Forschungsplattformen. Sie zeigten jedem Roboter eine Aufgabe – wie das Greifen eines Objekts oder das Zeichnen einer Linie – und ließen dann einen anderen Roboter dieselbe Aufgabe ausführen. In allen Fällen gelang die Übertragung, ohne dass der zweite Roboter neu trainiert werden musste.
„Das ist ein großer Schritt nach vorne“, sagt Gupta. „Es bedeutet, dass wir Roboter nicht mehr für jede neue Aufgabe neu programmieren müssen. Wir können ihnen einfach zeigen, was zu tun ist, und sie machen es – egal, welchen Körper sie haben.“
Die Forscher glauben, dass ihre Arbeit die Einführung von Robotern in neuen Umgebungen beschleunigen könnte, etwa in der Fertigung, im Gesundheitswesen oder im Haushalt. „Stellen Sie sich vor, Sie kaufen einen Roboter, der Ihr Haus putzt, und wenn ein neues Modell herauskommt, können Sie die Fähigkeiten einfach übertragen, ohne alles neu lernen zu müssen“, sagt Salunkhe. „Das ist die Vision.“