Wenn die KI greifen lernt

Adaptive H?nde

Daf¨¹r nutzt Katzschmann auch die M?glichkeiten von k¨¹nstlicher Intelligenz (KI), wobei der Robotiker lieber den Begriff ?Maschinelles Lernen? verwendet, denn von einer Intelligenz, die ein Eigenleben besitzt, k?nne man heute noch nicht sprechen. ?Fr¨¹her haben wir Probleme in der Robotik mit Vereinfachungen, physikalischen Modellierungen und Regelungstechnik gel?st, heute nutzen wir daf¨¹r vor allem maschinelles Lernen.? Es hat mittlerweile in praktisch allen Bereichen der Robotik Einzug gehalten: vom Design der Roboter mittels generativen Modellierens in 3D-Simulationen ¨¹ber das Erlernen von F?higkeiten anhand von Videodaten bis hin zur Bewegungssteuerung mit Algorithmen. ?Rund die H?lfte meiner Gruppe arbeitet heute aktiv mit maschinellen Lernmethoden und entwickelt diese weiter?, so Katzschmann.

Herk?mmliche Methoden, wie beispielsweise die Regelungstechnik, sind geeignet f¨¹r strukturierte Prozesse, etwa bei kontrollierten Arbeitsabl?ufen in Fabriken, die sich tausendfach wiederholen. Bei chaotischen Umgebungen und unstrukturierten Aufgaben kommt man damit jedoch nicht weit. Katzschmann macht ein Beispiel: Das Aussortieren von unterschiedlichen Glasflaschen in Kisten ist f¨¹r Roboterh?nde bis heute eine grosse Herausforderung, weil die Flaschen unterschiedliche Gr?ssen und Formen haben. Seine Gruppe hat daf¨¹r Roboterh?nde mit 21 Freiheitsgraden entwickelt, die durch Verst?rkungs- und Imitationslernen gesteuert werden. Gemeinsam mit den Roboterarmen erreichen die H?nde sogar 28 Freiheitsgrade. Um dem Roboter das Flaschengreifen zu lehren, nutzen die Forschenden einen Handschuh, der mit Bewegungssensoren und einer Kamera best¨¹ckt ist und von externen Kameras gefilmt wird. Optional k?nnen auch Aufnahmen einer Virtual-Reality-Brille mit einfliessen. Mit diesem reichhaltigen Datensatz trainieren sie ein sogenanntes Transformer-Modell, das ?hnlich wie ein Large Language Model funktioniert, also dasjenige Modell, auf dem KI beruht. Mit dem trainierten Modell ausgestattet, kann die Roboterhand auch unbekannte Objekte richtig greifen und diese an die beabsichtigte Stelle bewegen. ?Mit herk?mmlichen Methoden h?tten wir zuerst ein Punktwolken-3D-Modell der Umgebung erstellt und jede einzelne Position der Finger zum Greifen einer Flasche programmieren m¨¹ssen?, erkl?rt Katzschmann. ?Und sobald die Flaschen oder die Kisten leicht verschoben waren, wusste die Roboterhand bereits nicht mehr, was zu tun ist.? Ganz anders heute: ?Das Greifen ist komplett erlernt, die Hand dadurch sehr adaptiv.? Basierend auf dieser Forschung gr¨¹ndete er im Jahr 2024 zusammen mit vier ehemaligen Doktoranden und Masterstudenten das ETH-Spin-off Mimic Robotics. Das junge Unternehmen will mit KI-gesteuerten robotischen H?nden die Welt der Fertigung und Logistik grundlegend ver?ndern.

Lernen in der Cloud

Stelian Coros ist Computerwissenschaftler und entwickelt Algorithmen f¨¹r Robotik, Visual Computing und computergest¨¹tzte Fertigung. Er k¨¹mmert sich in erster Linie um die Software, also die Gehirne von Robotern. Die Fortschritte beim Deep Learning, einer Form des maschinellen Lernens, das mit k¨¹nstlichen neuronalen Netzwerken arbeitet, haben seine Forschung im vergangenen Jahrzehnt stark gepr?gt. ?Heute stehen gen¨¹gend Daten und Rechenleistung zur Verf¨¹gung, damit wir Deep Learning in der Robotik f¨¹r gezielte Anwendungen nutzen k?nnen, zum Beispiel f¨¹r die automatische Objekterkennung auf Bildern.?

Neuronale Netzwerke sind auch die Basis f¨¹r eine weitere Form des maschinellen Lernens: das Reinforcement Learning. Dabei lassen Forschende Roboter Dinge ausprobieren, zum Beispiel bestimmte Bewegungsabl?ufe. Dann vergeben sie Punkte, abh?ngig davon, wie weit sich der Roboter zum Beispiel vorw?rtsbewegt hat oder wie nah er dran war, umzufallen. Indem der Roboter versucht, eine gute Bewertung zu erreichen, verbessert er sich kontinuierlich. ?Im Grunde genommen handelt es sich um ein Lernen durch Ausprobieren, so ?hnlich, wie wenn jemand das Tennisspielen erlernt?, sagt Coros. ?Es reicht nicht aus, wenn Roboter sich Youtube-Videos anschauen, in denen gezeigt wird, wie Menschen bestimmte Dinge tun. Die Roboter m¨¹ssen es selbst tun.? Deshalb erzeugt sein Team viele Daten mit Teleoperation. Dabei werden Bewegungen einer Person auf einen Roboter ¨¹bertragen. Um menschliche Bewegungen aufzuzeichnen, arbeitet Coros auch mit Technologien, wie sie oft f¨¹r Animationsfilme genutzt werden. Mit diesen Daten und den passenden Algorithmen k?nnen Roboter Bewegungen sp?ter situativ wiedergeben und sich menschen?hnlich bewegen. Letzteres ist f¨¹r Coros die Voraussetzung, damit Menschen k¨¹nftig eng mit Robotern interagieren k?nnen.

Gleichzeitig trainieren

Auch an der Professur f¨¹r Robotersysteme von Marco Hutter arbeiten die Forschenden mit Reinforcement Learning. Sie nutzen daf¨¹r vor allem Simulationen in virtuellen Umgebungen. ?Wir trainieren heute in Simulationen tausende von Robotern gleichzeitig?, sagt Cesar Cadena, Senior Scientist am Robotics Systems Lab von Hutter. ?Damit generieren wir in einer Stunde so viele Daten wie fr¨¹her in einem Jahr.? M?glich gemacht haben solche Simulationen enorme Fortschritte bei der Entwicklung von Microchips und Grafikprozessoren. Parallelprozessoren k?nnen tausende von Aufgaben gleichzeitig ausf¨¹hren und sind f¨¹r KI-Anwendungen zentral. Das Robotics Systems Lab arbeitet deshalb auch direkt mit Nvidia zusammen, einem der weltweit gr?ssten Entwickler von Grafikprozessoren und Chips?tzen. Bereits zwei Doktorarbeiten sind in direkter Zusammenarbeit mit dem Unternehmen mit Sitz in Kalifornien entstanden.

Das virtuelle Reinforcement Learning wird in der Cloud durchgef¨¹hrt und erfordert sehr hohe Rechenkapazit?ten. Im kontinuierlichen Lernmodus stellt sich dabei zwangsl?ufig die Frage nach der Autonomie. Ein Fabrikroboter kann problemlos dauerhaft mit einer Cloud verbunden sein, um komplexe Arbeitsschritte bestm?glich zu erledigen. Doch was ist mit einem Rettungsroboter, der in einem entlegenen Katastrophengebiet nach ?berlebenden sucht? An Orten, an denen es keine Netzverbindung gibt und die Roboter schnelle Entscheidungen treffen m¨¹ssen? In solchen F?llen m¨¹ssen die Forschenden einen Teil der ben?tigten Rechenleistung auf den Roboter ¨¹bertragen; inklusive der zuvor in der Cloud generierten Daten. ?Wir verlieren dann zwar an Rechenkapazit?t, aber f¨¹r klar definierte Aufgaben ist das meist immer noch gut genug?, sagt Cadena.

Ziel: Vielseitige Roboter

Wird der aktuelle KI-Boom die Robotik revolutionieren ¨C oder handelt es sich eher um eine Evolution? Letzteres sei der Fall, sagt Coros. ?Die Art der Daten, die f¨¹r KI und f¨¹r Roboter von Nutzen sind, unterscheiden sich fundamental.? Das liege vor allem daran, dass Roboter einen K?rper haben und mit diesem lernen. Nur so k?nnen Bewegungsabl?ufe generalisiert werden. Damit wird sichergestellt, dass Roboter in verschiedenen Umgebungen funktionieren. KI hingegen schafft Generalisierbarkeit durch einen unendlichen Fluss an Daten; vor allem Texten, aber auch Bildern und Videos. Bis heute gibt es Teile der Robotik-Community, die versuchen, dasselbe zu tun, um ihre Roboter zu verbessern. Sie sammeln Terabyte um Terabyte an Daten von menschlichen Bewegungsabl?ufen ¨C und trainieren damit ihre Roboter. ?Aber das ist nicht skalierbar?, sagt Coros. Er macht ein Beispiel: Es gebe Gruppen, die entwickelten Roboter, die Hemden falten. Bis ein Roboter dazu im Stande sei, brauche es rund 10?000 Stunden Demonstrationsdaten ¨C und selbst dann mache er noch Fehler. ?Wenn jede einzelne Fertigkeit so viele Daten ben?tigt, dann ist dieses Konzept schlicht nicht skalierbar.?

Seine Gruppe geht deshalb einen anderen Weg. Sie verwendet zwar auch erlernte Daten, aber gleichzeitig auch physikalische Modelle, um L¨¹cken bei den Demonstrationsdaten zu schliessen. Coros nennt als Beispiel einen Roboterarm, der einen Ball wirft: ?Wir verstehen, wie sich ein Ball durch die Luft bewegt, und kennen die physikalischen Gesetze, die diese Bewegung bestimmen.? Der Roboter kann solche Gesetze nutzen, um seinen Wurf so anzupassen, dass der Ball genau an der beabsichtigten Stelle landet. ?Daf¨¹r brauchen wir keine grossen Datenmengen.? 2023 gr¨¹ndete Coros mit ehemaligen Doktoranden das Spin-off Flink Robotics. Basierend auf KI-gesteuerter Bildverarbeitung und physikalischen Modellen sollen branchen¨¹bliche Roboterarme intelligenter gemacht werden, so dass sie Materialien pr?ziser verpacken, entladen und sortieren k?nnen. Die Schweizerische Post, der erste Kunde des Spin-offs, will mit dieser Technologie den Paketversand automatisieren.

Sehnen statt Motoren

Zur¨¹ck im Soft Robotics Lab, wo Biologinnen Zellgewebe f¨¹r Robotersehnen entwickeln und Chemiker k¨¹nstliche Muskeln mit Elektroimpulsen zum Leben erwecken. Robert Katzschmann ist ¨¹berzeugt, dass traditionelle, motorgesteuerte Robotiksysteme bez¨¹glich Generalisierbarkeit an Grenzen stossen. Daran ?ndere auch die beste KI nichts. ?Solche Systeme werden nicht die n?tige Anpassungsf?higkeit haben, um mit all den Situationen in der realen Welt umgehen zu k?nnen.? F¨¹r ihn ist der K?rper genauso wichtig wie das Gehirn. Er entwickelt deshalb muskuloskelettale Roboter, die sich an der Natur orientieren. ?Die Muskeln bringen die Weichheit und das Skelett die Tragf?higkeit, die wir f¨¹r komplexe k?rperliche Arbeiten ben?tigen?, sagt Katzschmann. Die Natur habe es geschafft, extrem stabile und vielseitige Systeme ohne Motoren und Metalle zu bauen. ?Sie sollte unser Vorbild sein.?