Roboter lernen, sich bei gefährlichen Treppenstürzen selbst zu fangen

Eine neue Studie des Robotics and Automation Research (ROAR) Laboratory an der Singapore University of Technology and Design (SUTD) schlägt nun einen neuen Ansatz vor: Statt sich ausschließlich auf die Verhinderung ürzen zu konzentrieren, sollen Roboter lernen, diese aktiv abzumildern und sich selbst zu fangen.

Die Forschung konzentriert sich auf Serviceroboter für Treppengänge. Trotz Fortschritten in der Gleichgewichtssteuerung und Pfadplanung bleiben diese Systeme anfällig. Laut einer mehrjährigen Feldstudie des Teams scheitern Treppenroboter auf Stufen mindestens 35-mal häufiger als auf ebenem Boden.

Sobald ein Sturz einsetzt, baut sich der Impuls schnell auf, was die Wiederherstellung der Stabilität erschwert und das Schadensrisiko erhöht. Herkömmliche Sicherheitssysteme setzen primär auf Prävention durch Navigationsalgorithmen, Hinderniserkennung und Stabilitätssteuerung.

Professor Mohan Rajesh Elara, Leiter des

Professor Mohan Rajesh Elara, Leiter des ROAR-Labors, argumentiert jedoch, dass diese Maßnahmen in realen Umgebungen das Risiko nicht vollständig eliminieren können.

Selbst bei optimaler Steuerung können unerwartete Ereignisse, wie etwa ein Stolpern einer Person, einen Sturz auslösen, den bestehende Systeme nicht bewältigen. „Deshalb ist die Sturzvermeidung wichtiger als die alleinige Sturzprävention", so Elara.

Er betont, dass Betreiber diese Plattformen weiterhin als Last betrachten würden, bis die Branche eine glaubwürdige Antwort auf dieses Restrisiko gefunden hat. Um diese Lücke zu schließen, entwickelte das Team ein auf maschinellem Lernen basierendes System, das einem Roboter ermöglicht, während eines Sturzes zu reagieren.

Was die Studie zeigt

Anstatt nur auf das Auftreten ät zu warten, versucht das System aktiv, den Roboter mitten im Sturz mithilfe eines mechanischen Arms zu stabilisieren. Dieser Arm ist an einem fahrbaren Plattformfahrzeug mit Kettenantrieb befestigt. Um das System zu entwickeln, untersuchten die Forscher zunächst, wie Sturzereignisse unter realen Bedingungen entstehen.

Sie identifizierten fünf primäre Sturzarten, darunter gerade Rückwärtsstürze, Drehbewegungen und seitliche Zusammenbrüche.

Auf Basis dieser Analyse entwickelten sie einen dreigelenkigen Roboterarm, der alle fünf Bewegungsarten ausgleichen kann. „Drei Freiheitsgrade erweisen sich als Minimum, um die fünf Sturzarten geometrisch abdecken zu können, wenn die Struktur am Heck des Roboters montiert ist", erklärte Professorin Elara.

Technik und Auswirkungen

Der Mechanismus reduziert das Problem auf ein Maß, das ein KI-Regler lösen kann. Die KI ermöglicht es, einen Mechanismus zu steuern, der ansonsten zu komplex für eine manuelle Steuerung wäre. Das Steuerungssystem wurde ausschließlich in einer Simulation mittels verstärkendem Lernen trainiert.

In jedem Trainingslauf wurde der Roboter simulierten äußeren Kräften ausgesetzt, die ihn in Richtung eines Sturzes drängten. Der Controller lernte daraufhin, die Gelenke des Arms in Echtzeit anzupassen, um die Plattform zu stabilisieren.

Bei fünf trainierten Controllern erreichte das System eine durchschnittliche Erfolgsquote von 69,4 Prozent beim Abfangen ürzen und der Wiederherstellung der Stabilität. Eine herkömmliche, manuell programmierte Steuerungsstrategie erzielte lediglich 38,6 Prozent.

Technik und Auswirkungen

Bei erfolgreichen Eingriffen stabilisierte das KI-System den Roboter im Durchschnitt innerhalb von 4,25 Sekunden und erfüllte damit das interne Reaktionsziel des Teams 10 Sekunden. Die Forscher prüften zudem, ob das System auch über den exakt trainierten Roboter hinaus funktioniert.

Sie evaluieren es auf Plattformen, die 10 Prozent größer oder kleiner sind, sowie auf Treppen mit unterschiedlichen Abmessungen.

In einigen Fällen verbesserte sich die Leistung; der beste Controller erreichte bei einem größeren Roboter eine Erfolgsquote von 87 Prozent. „Der Controller speichert keine einzelne Geometrie auswendig", sagte Professorin Elara. „Er lernt eine Wiederherstellungsstrategie, die verallgemeinert." Das Team betont jedoch, dass das System noch nicht für den vollständigen Einsatz bereit ist.

Einordnung fuer Autofahrer

Die aktuelle Leistung entspricht nicht den strengen industriellen Sicherheitsstandards wie IEC 61508. Vor dem Einsatz in der realen Welt sind daher zusätzliche Sicherheitsvorkehrungen und Validierungen erforderlich.

Die Forscher arbeiten derzeit an der Verbesserung der Zuverlässigkeit, der Integration mechanischer Fehlersicherungen und der Entwicklung erklärbarer Modelle, die eine Zertifizierung unterstützen können. Diese Arbeit ist Teil eines umfassenderen Vorhabens am SUTD, das darauf abzielt, die Sicherheit autonomer mobiler Roboter in realen Umgebungen zu erhöhen.

Die Studie erscheint in der Zeitschrift Engineering.