Forscher am Massachusetts Institute of Technology (MIT) haben eine KI-Technik entwickelt, die es Robotern ermöglichen soll, Objekte mit ihrem gesamten Körper zu manipulieren.
Die Handhabung von Objekten mit mehreren Kontaktpunkten an verschiedenen Körperteilen stellt eine enorme Herausforderung für Roboter dar. Menschen zeichnen sich durch Ganzkörpermanipulationen aus, indem sie nahtlos große Kisten tragen oder unregelmäßige Objekte halten.
Allerdings sind Roboter bei komplexen Manipulationsaufgaben aufgrund der zahlreichen Kontaktpunkte zwischen den Objekten und den verschiedenen Teilen ihres Körpers weit weniger kompetent.
"Wenn wir die Struktur dieser Art von Robotersystemen mit Hilfe von Modellen nutzen können, besteht die Möglichkeit, den gesamten Prozess der Entscheidungsfindung und der Erstellung kontaktreicher Pläne zu beschleunigen", so H.J. Terry Suh, Doktorand der Elektrotechnik und Informatik (EECS) und Mitautor der Forschungsarbeit.
Im Kern befasst sich die Arbeit der MIT-Forscher mit der Rechenintensität und Komplexität von Robotermanipulationsaufgaben, insbesondere solchen, die kontaktreiche Szenarien beinhalten. Roboter müssen bei der Planung einer Manipulationsaufgabe unzählige Möglichkeiten zur Kontaktaufnahme mit einem Objekt in Betracht ziehen, was zu einer unüberschaubaren Anzahl von Berechnungen führt.
Traditionell wurden zur Lösung dieses Problems Methoden des Verstärkungslernens (Reinforcement Learning, RL) eingesetzt, die jedoch umfangreiche Rechenressourcen und Zeit erfordern.
Die Studie die "Glättung" eingeführt, um dieses Problem zu lösen. Der Glättungsprozess rationalisiert den Rechenaufwand, indem er die Anzahl der Kontaktereignisse reduziert, die der Roboter berücksichtigen muss. Er verdichtet die unzähligen potenziellen Kontaktpunkte zu einer überschaubaren Anzahl von Schlüsselentscheidungen.
Im Wesentlichen werden viele unbedeutende Aktionen und Kontakte, die der Roboter machen könnte, herausgerechnet, so dass nur die wesentlichen Punkte der Interaktion berechnet werden müssen.
Zur Umsetzung der "Glättung" entwickelte das Team ein physikalisch basiertes Modell. Dieses Modell repliziert effizient die Art von "Mittelwertbildung" von unkritischen Interaktionen, die implizit in Methoden des Verstärkungslernens auftreten.
Das Team testete seinen Ansatz sowohl in Simulationen als auch in realer Roboter-Hardware. Dabei zeigte sich eine vergleichbare Leistung wie beim Reinforcement Learning, jedoch mit einem Bruchteil der Rechenkosten.
Praktische Anwendungen
Die Auswirkungen dieser Forschung sind potenziell weitreichend. In der Industrie könnte die Technik den Einsatz kleinerer, mobilerer Roboter ermöglichen, die komplizierte Aufgaben mit größerer Flexibilität ausführen können.
Dies könnte sowohl zu einem geringeren Energieverbrauch als auch zu niedrigeren Betriebskosten führen. Über Fabriken hinaus könnte die Technologie auch für Weltraumforschungsmissionen eine entscheidende Rolle spielen, da sie es Robotern ermöglicht, sich mit minimalen Rechenressourcen schnell an unvorhersehbare Terrains oder Aufgaben anzupassen.
Außerdem könnten diese Berechnungsmethoden den Forschern helfen, kompetente, lebensechte Hände zu konstruieren.
"Die gleichen Ideen, die eine Ganzkörpermanipulation ermöglichen, funktionieren auch bei der Planung mit geschickten, menschenähnlichen Händen", so Russ Tedrake, Hauptautor und Toyota-Professor für EECS am MIT.
Während die künstliche Intelligenz den Wandel in der Robotik vorantreibt und die Roboter mit immer besseren Fähigkeiten und Erkenntnissen ausstattet, müssen wir noch etwas mit biologischer Geschicklichkeit konstruieren.
Da die KI-Hardware immer kleiner wird, energieeffiziente Chips und Forscher Wege zur Lösung von Rechenproblemen finden, sind geschickte, lebensechte Roboter wahrscheinlich nicht mehr weit entfernt.
