Roboter lernen Laufen: Wie maschinelles Lernen die Robotik verändert

Forscher setzen zunehmend auf maschinelles Lernen, um Robotern komplexe Bewegungsabläufe beizubringen, statt jede Bewegung einzeln von Hand zu programmieren. An der UC Berkeley entwickelt ein Forscherteam neuronale Netzwerk-Steuerungssysteme, die Robotern das Laufen und andere komplexe Bewegungsaufgaben durch maschinelles Lernen vermitteln.

Neuronale Netze statt starrer Programmierung

Autonome Robotersysteme nutzen dabei Deep Reinforcement Learning, um menschenähnliche Laufbewegungen zu erzeugen und sich an unterschiedliche Terrains anzupassen. "Durch neuronale Netze können Roboter kontinuierlich von ihren Bewegungen lernen und diese in Echtzeit anpassen", erklärt das Forscher-Team der UC Berkeley. Der entscheidende Vorteil gegenüber traditioneller Programmierung: Robotische Systeme können nach dem Training mit maschinellem Lernen Bewegungen in neuen, untrainierten Umgebungen anwenden, ohne dass sie neu programmiert werden müssen.

Damit reagiert die Forschung auf ein grundlegendes Problem der klassischen Robotik. Traditionelle Roboterprogrammierung erfordert explizite Code-Anpassungen für jede einzelne Bewegungsaufgabe, was zeitaufwendig und unflexibel ist. Maschinelles Lernen erlaubt es Robotern stattdessen, aus Beispielvideos und virtuellen Simulationen zu lernen und diese Fähigkeiten anschließend in der realen Welt einzusetzen.

Generative Modelle und Diffusionsmodelle bei Google und DeepMind

Auch Google und DeepMind präsentieren Robotersysteme, die durch generatives Lernen und Diffusionsmodelle robuste Bewegungsfähigkeiten erwerben. "Der Einsatz von generativen Modellen ermöglicht es Robotern, menschenähnliche Bewegungsmuster autonom zu erzeugen", so die DeepMind-Forschungsgruppe. Nach Angaben der Forscher reduzieren End-to-End-Lernmethoden die Programmierzeiten für Roboterbewegungen um bis zu 80 Prozent gegenüber traditioneller Handprogrammierung.

Die Fortschritte zeigen sich auch bei der praktischen Hinderniserkennung: Robotersysteme mit Lernfähigkeiten erreichen laut den vorliegenden Daten eine Erfolgsquote von 90 Prozent beim Durchlaufen dynamischer Hindernisse nach Abschluss der Trainingsphase. Diese Entwicklungen reihen sich in einen Robotik-Wettlauf ein, der zuletzt auch durch den Rekord-Börsengang des chinesischen Herstellers Unitree an Fahrt gewonnen hat.

Boston Dynamics zeigt dynamische Stabilität

Boston Dynamics demonstriert mit seinem Roboter Atlas ebenfalls Fortschritte bei dynamisch stabilen Laufbewegungen, die durch integriertes maschinelles Lernen erreicht werden. Auch hier gilt: Statt jede Bewegungssequenz manuell zu programmieren, lernt das System selbstständig, wie es auf unebenem oder unstrukturiertem Untergrund die Balance hält.

Einen wichtigen Beitrag zur praktischen Umsetzung leisten Transfer-Learning-Verfahren, die Forscher der Carnegie Mellon University entwickelt haben. Sie erlauben es Robotern, Laufmuster, die zunächst in virtuellen Umgebungen erlernt wurden, auf reale Bedingungen zu übertragen. Dieser sogenannte Sim-to-Real Transfer gilt weiterhin als eine der zentralen technischen Herausforderungen, ebenso wie die Energieeffizienz beim kontinuierlichen Lernen.

Offene Fragen zu Sicherheit und Einsatzbedingungen

Trotz der Fortschritte bleiben wichtige Fragen unbeantwortet. Unklar ist etwa, wie zuverlässig gelernte Bewegungsmuster unter extremen Umweltbedingungen wie Schnee, Eis oder starkem Wind tatsächlich funktionieren. Auch die Frage, welche ethischen und sicherheitstechnischen Standards für vollständig autonome Robotersysteme in öffentlichen Räumen gelten sollten, ist Gegenstand laufender Diskussionen. Ähnlich wie bei Debatten über autonome KI-Systeme, die die Kontrolle ihrer Entwickler zunehmend testen, stellt sich auch in der Robotik die Frage, wie Systeme ihre gelernten Fähigkeiten sicher aktualisieren können, ohne neue Risiken zu schaffen.

Ausblick

Die Kombination aus neuronalen Netzen, generativen Modellen und Transfer-Learning-Verfahren verändert die Art, wie Roboter Bewegungsaufgaben erlernen, grundlegend. Statt aufwendiger Handprogrammierung setzen Forschungseinrichtungen und Technologiekonzerne zunehmend auf datengetriebene Trainingsmethoden. Wie schnell sich diese Verfahren in praktischen Anwendungen etablieren und welche Sicherheitsstandards dafür notwendig werden, bleibt eine offene Frage für die kommenden Jahre.