Hyundai plant 25.000 Atlas-Roboter in US-Werken

Technik und Auswirkungen

Robot Motion Learning: Kürzlich erläuterte Boston Dynamics die Technologie hinter der Fähigkeit seines humanoiden Roboters Atlas, schwere industrielle Gegenstände mittels Reinforcement Learning und groß angelegter Simulationstrainings zu heben und zu tragen.

In einem neuen technischen Blogbeitrag demonstrierte das Unternehmen, wie Atlas seinen Oberkörper um 180 Grad dreht, sich hockt, um eine Minikühlschrank aufzuheben, und diesen transportiert, während er sich dynamisch an sich verschiebende interne Gewichte anpasst.

Dieses Verhalten wurde innerhalb weniger Wochen nach der öffentlichen Vorstellung des Atlas earlier this year entwickelt. Das System stützt sich stark auf Reinforcement Learning, bei dem Atlas Aufgaben wiederholt in Simulationsumgebungen unter variierenden Bedingungen übt.

Technik und Auswirkungen

Die Ingenieure veränderten das Gewicht der Objekte, die Reibung des Bodens, die Greifkraft und die Platzierung der Objekte, um den Roboter darauf zu trainieren, sich an unvorhersehbare Szenarien anzupassen. Boston Dynamics gab an, dass Atlas Millionen GPUs gesammelt hat.

Das Training beginnt mit einer Referenzbahn, die durch Animation oder Teleoperation erzeugt wird. Anschließend erhält Atlas Belohnungen für die Aufrechterhaltung des Gleichgewichts, der Griffstabilität und die erfolgreiche Aufgabenbewältigung, während er Störungen ausgesetzt ist.

Sobald das Verhalten in der Simulation zuverlässig ist, wird es auf den physischen Roboter übertragen, um dort getestet und verfeinert zu werden.

Im Gegensatz zu vielen humanoiden Robotern,

Im Gegensatz zu vielen humanoiden Robotern, die hauptsächlich auf visuelle Systeme angewiesen sind, nutzt Atlas Propriozeption – also die interne Körperwahrnehmung –, um in Echtzeit Gleichgewicht, Widerstand, Griffdruck und Körperbewegungen zu überwachen. Dies ermöglicht dem Roboter, instabile Lasten wirksamer zu bewältigen.

Boston Dynamics erklärte, dass die neue Atlas-Plattform den „Sim-to-Real-Gap" durch eine vereinfachte Hardwarearchitektur, symmetrische Gliedmaßen und lediglich zwei Aktuatortypen reduziert, was die Simulationsgenauigkeit und die Leistung in der realen Welt verbessert.