Inspiration aus dem Tierreich hilft Robotern, wieder auf die Beine zu kommen
Selbst nach 50 Jahren Forschung sind die meisten Roboter schwächer als selbst die kleinsten, einfachsten Tiere – kurz gesagt, sie können schnell nicht mehr funktionieren, wenn sie auf schwierige Bedingungen stoßen oder einen unerwarteten Sturz erleiden. Damit Roboter stärker in die menschliche Gesellschaft eingebettet werden können und in Notsituationen nützlich sind, müssen sie ihre eigenen Schwächen überwinden. Hier kommt das Projekt ResiBots (Robots with animal-like resilience) ins Spiel. „Ziel unseres Projekts war es, neue Algorithmen zu entwickeln, die es Robotern ermöglichen, sich schnell und selbstständig zu erholen, ohne jeden möglichen Schadenszustand vorhersehen zu müssen“, erläutert Jean-Baptiste Mouret, der Hauptforscher des Projekts. „Das ist besonders wichtig, wenn es sich um mechanische Schäden handelt, deren Diagnose mit integrierten Sensoren sehr schwierig ist. Unsere Vision ist es, Roboter zu entwickeln, die improvisieren können, wenn sie eine schwierige Mission erfüllen müssen.“
Eine neue Perspektive
Diese Vision steht in direktem Gegensatz zu dem derzeitigen Ansatz der Fehlertoleranz, die von sicherheitskritischen Systemen (z. B. für Raumfahrzeuge oder Kernkraftwerke) übernommen wurde. Dieser Ansatz ist für kostengünstige autonome Roboter ungeeignet, da er sich auf Diagnoseverfahren stützt, die teure propriozeptive Sensoren und Notfallpläne erfordern. Damit können nicht alle möglichen Situationen, mit denen ein autonomer und auf sich allein gestellter Roboter konfrontiert werden kann, abgedeckt werden. „Die allgemeine Idee besteht darin, eine Simulation des ‚intakten‘ Roboters zu nutzen, um die Anpassung für einen Roboter mit unbekanntem Schaden zu beschleunigen“, erklärt Mouret. Die von Mouret und seinem Team entwickelten Algorithmen umgehen dieses alte Denken, da sie speziell auf die dateneffiziente Anpassung in der Robotik ausgerichtet sind. „Wir haben Roboter, die routinemäßig in nur wenigen Minuten direkt vor unseren Augen lernen, zu laufen. Zuvor hat das Stunden oder sogar Tage gedauert“, fügt Mouret hinzu. „Es sind solche Roboter, von denen ich als Kind wirklich geträumt habe!“
Von der Diagnose bis zur Verstärkung
Es ist für das Projekt wichtig, dass dieses erste Ergebnis „episodisches Lernen“ verwendet, was bedeutet, dass jeder Versuch an genau derselben Stelle beginnt. Ein neuerer Algorithmus erlaubt es dem Roboter, unabhängig und ohne Zurücksetzen zu lernen und seine Umgebung zu berücksichtigen. „Für den Roboter gibt es keinen Grund, eine Gangart zu versuchen, die ihn wahrscheinlich vorwärts bringt, wenn ein Hindernis im Weg steht“, bemerkt Mouret. Dank der jüngsten Fortschritte beim Deep Learning sind Maschinen heute besser als ihre Vorgänger in der Lage, ihre Umgebung zu verstehen. „Wenn wir jedoch Roboter wünschen, die wirklich neue Fähigkeiten und Aufgaben erlernen können, benötigen sie Verstärkungs- und nicht nur Wahrnehmungsalgorithmen“, merkt Mouret an. „Dazu müssen wir sie dateneffizienter gestalten, bevor sie außerhalb von Forschungslaboren eingesetzt werden können.“ Er ist optimistisch, dass dies innerhalb der nächsten 15 Jahre der Fall sein könnte.
Blick in die Zukunft
Mouret und sein Team planen, ihre Forschung auch nach dem offiziellen Ende des Projekts im April 2020 fortzusetzen. „Wir arbeiten derzeit daran, dateneffizientes Lernen in die humanoide Robotik einzuführen – humanoide Roboter sind die ‚nächste Grenze‘ der Robotik, weil sie alle Herausforderungen der Robotik gleichzeitig kombinieren“, so Mouret. Während derzeit kein humanoider Roboter dateneffizientes Lernen einsetzt, um sich an Änderungen in seiner Umgebung anzupassen, möchten Mouret und sein Team an vorderster Front daran mitwirken, diesen Umstand zu ändern.
Schlüsselbegriffe
ResiBots, Roboter, Algorithmen, episodisches Lernen, dateneffizient, Anpassung, Gehen, Gangart, Schaden, Widerstandsfähigkeit
