Wissenschaftler entwickeln intelligentere Methode, um Robotern komplexe Fähigkeiten beizubringen

Viele aktuelle Robotik-Lernsysteme basieren auf dem Prinzip des Imitationslernens, bei dem Maschinen durch das Nachahmen Sammeln solcher Demonstrationen für hochgradig geschickte Aufgaben ist jedoch schwierig, da Teleoperationssysteme die feinen Fingerbewegungen und die kontaktreichen Interaktionen, die dabei eine entscheidende Rolle spielen, nur schwer erfassen können.

Um diese Einschränkung zu überwinden, wandten sich die Forschenden an Bewegungsplanungs-Algorithmen, die Demonstrationen automatisch innerhalb physikalischer Simulationen generieren.

Statt, übernahmen die Roboter virtuelle Beispiele, die Team stieß jedoch schnell auf ein Problem: Beliebte Planungsverfahren, die als schnell erforschende zufällige Bäume (RRTs) bekannt sind, erzeugten Lösungen, die zu stark variierten.

Technik und Auswirkungen

Dies erschwerte es den Robotern, das Verhalten zu identifizieren, das sie nachahmen sollten. „Konsistenz schlägt Zufall", so der leitende Autor Huaijiang Zhu. „Diese Planer sind sehr gut darin, Lösungen zu finden, doch wenn jede Lösung anders aussieht, hat der Lernalgorithmus Schwierigkeiten, zu erkennen, welches Verhalten er nachahmen soll." Nach Angaben der Forscher erzeugt die Zufälligkeit bei RRT-generierten Demonstrationen sogenannte hoch-entropische Daten.

Zwar hilft diese Vielfalt Planeralgorithmen dabei, verschiedene Lösungen zu erkunden, doch sie kann die Wirksamkeit des Imitationslernens verringern. Um dieses Problem zu lösen, entwickelten das Team alternative Planungsverfahren, die darauf ausgelegt sind, konsistentere Demonstrationen zu erzeugen.

Eine Methode priorisierte einen stetigen Fortschritt hin zum Ziel, während eine andere auf eine Bibliothek vordefinierter Bewegungen zurückgriff, um die Variation zwischen den Beispielen zu minimieren. Die Forscher bewerteten ihren Ansatz an zwei anspruchsvollen Manipulationstasks.

In einem Experiment mussten zwei Roboterarme

In einem Experiment mussten zwei Roboterarme einen großen Zylinder um 180 Grad drehen, wobei sie ihre Greifpositionen wiederholt anpassten. In einem weiteren Test experimentierte eine geschickte Roboterhand mit einem Würfel in ihrer Handfläche, um verschiedene Zielorientierungen nachzubilden.

Die Ergebnisse zeigten, dass Roboter, die mit den konsistenteren Demonstrationen trainiert wurden, deutlich höhere Erfolgsraten erzielten als diejenigen, die mit standardmäßig aus RRT generierten Daten lernten. Bei der Zweiarmanwendung erreichte das System mit lediglich 100 Demonstrationen eine nahezu perfekte Leistung.

Zudem übertrug das Team die gelernten Strategien direkt physische Hardware, ohne zusätzliche Nachschulung. Der Zwei-Arm-Roboter gelang in 90 Prozent der realen Versuche, während die robotergestützte Hand etwa 62 Prozent ihrer Versuche erfolgreich abschloss.

Was die Studie zeigt

Die Ergebnisse verdeutlichen einen wachsenden Trend in der Robotik, der traditionelle Bewegungsplanung mit maschinellem Lernen kombiniert. Statt die beiden Ansätze getrennt zu betrachten, nutzen Forscher zunehmend Planunalgorithmen zur Generierung für lernende Systeme.

Die Studie unterstreicht zudem eine allgemeinere Lektion der künstlichen Intelligenz: Größere Datenmengen führen nicht immer zu besserem Lernen. In vielen Fällen können sorgfältig strukturierte Beispiele wertvoller sein als große Sammlungen verrauschter oder inkonsistenter Demonstrationen.

Die Studie wurde im Journal IEEE Robotics and Automation Letters veröffentlicht.