Skip to main content

Article Category

Article available in the folowing languages:

Tierwelt inspiriert als Grundlage für widerstandsfähigere und anpassungsfähigere Roboter

Glauben Sie nicht den wundersam robusten Roboterfiguren, die Sie in Science-Fiction-Filmen sehen. Die heutigen Roboter sind in der Regel alles andere als widerstandsfähig. Ein vom Europäischen Forschungsrat finanziertes Projekt hat neue Algorithmen entwickelt, die es Robotern ermöglichen, sich innerhalb weniger Minuten autonom von unerwarteten Schäden zu erholen.

Digitale Wirtschaft
Industrielle Technologien

Selbst nach 50 Jahren Robotikforschung sind die meisten vorhandenen Roboter bei weitem nicht so widerstandsfähig wie 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 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 der Hauptforscher des Projekts, Jean-Baptiste Mouret. „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.“

Widerstandsfähigere Roboter durch die Einführung einer neuen Denkweise

Diese Vision steht in direktem Gegensatz zu dem derzeitigen Ansatz der Fehlertoleranz, die von sicherheitskritischen Systemen (z. B. für Raumfahrzeuge oder Kernkraftwerke) übernommen wurde. Eine solche Vorgehensweise ist für kostengünstige autonome Roboter ungeeignet, da sie auf Diagnoseverfahren beruhen und teure propriozeptive Sensoren und Notfallpläne erfordern – und diese können nicht alle möglichen Situationen abdecken, denen ein eigenständiger autonomer Roboter begegnen kann. Die von Mouret und seinem Team entwickelten Algorithmen umgehen jedoch dieses alte Denken, da sie speziell für die dateneffiziente (d. h. mit sehr wenigen Daten auskommende) Anpassung in der Robotik entwickelt wurden. „Mit unseren Algorithmen kann beispielsweise ein sechsbeiniger Roboter in weniger als zwei Minuten eine neue Gangart finden“, erklärt Mouret. „Insgesamt besteht die allgemeine Idee darin, eine Simulation des ‚intakten‘ Roboters zu nutzen, um die Anpassung für einen Roboter mit unbekanntem Schaden zu beschleunigen.“

Von der Diagnose bis zu Verstärkungsalgorithmen

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 ermöglicht es dem Roboter, unabhängig und ohne Zurücksetzen zu lernen, wobei seine Umgebung berücksichtigt wird. „Zum Beispiel gibt es keinen Grund für den Roboter, eine Gangart zu versuchen, die ihn wahrscheinlich vorwärts bringt, wenn ein Hindernis im Weg ist“, sagt Mouret. Wie er argumentiert, waren Maschinen – und insbesondere Roboter – bisher im Wesentlichen „blind“. Für Tiere einfache Aufgaben (wie das Erkennen eines Objekts) erwiesen sich für die Bilderkennungsalgorithmen von Robotern als zu schwierig. Dank der jüngsten Fortschritte beim Deep Learning können Maschinen ihre Umgebung jetzt viel besser verstehen und viele Anwendungen ermöglichen, einschließlich solcher, die sich außerhalb einer Werkshalle befinden. „Wenn wir jedoch Roboter wollen, die wirklich neue Fähigkeiten und/oder Aufgaben erlernen können, benötigen sie Verstärkungsalgorithmen und nicht nur Wahrnehmungsalgorithmen“, warnt Mouret. „Dazu müssen wir sie dateneffizienter machen, bevor sie außerhalb von Forschungslabors eingesetzt werden können.“ Er sieht nicht vor, dass innerhalb der nächsten fünf Jahre Roboter eingesetzt werden können, die selbst neue Aufgaben übernehmen, ist jedoch optimistisch, dass dies innerhalb der nächsten fünf bis fünfzehn Jahre geschehen könnte.

Blick in die Zukunft

ResiBots war ein echter Vorreiter bei der Erreichung dieses Ziels, und Mouret und sein Team planen, ihre Forschung auch nach dem offiziellen Ende des Projekts im April 2020 fortzusetzen. „Wir möchten das Lernen mit Versuch und Irrtum in die humanoide Robotik einführen – humanoide Roboter sind die ‚nächste Grenze‘ der Robotik, weil sie alle Herausforderungen der Robotik gleichzeitig kombinieren“, erklärt Mouret. Zu diesen Herausforderungen gehört die Notwendigkeit, viele Gelenke zu synchronisieren (normalerweise 24). Sie müssen auch schnell reagieren und das Gleichgewicht halten. Während derzeit kein humanoider Roboter Lernen mit Versuch und Irrtum anwendet, um sich an Änderungen in seiner Umgebung anzupassen, möchten Mouret und sein Team an vorderster Front dabei sein, dies zu ändern. Und auf die Frage, worauf er bei ResiBots besonders stolz ist: „Wir haben Roboter, die routinemäßig in nur wenigen Minuten direkt vor unseren Augen lernen, zu laufen. Zuvor hat das Stunden oder sogar Tage gedauert“, schließt Mouret. „Ich muss sagen, das waren die Roboter, von denen ich als Kind wirklich geträumt habe!“

Schlüsselbegriffe

ResiBots, Roboter, Algorithmen, episodisches Lernen, dateneffizient

Entdecken Sie Artikel in demselben Anwendungsbereich