Der Atlas-Roboter von Boston Dynamics kann inzwischen einen Mini-Kühlschrank hochheben und tragen. Interessanter ist jedoch, wie er das gelernt hat.
In einem kürzlich veröffentlichten Blogbeitrag, in dem das Experiment beschrieben wird, enthüllte Boston Dynamics, dass Atlas die Aufgabe über Millionen Stunden in parallel auf GPUs laufenden Simulationen übte, bevor die Forschenden das erlernte Verhalten auf den physischen Roboter übertrugen. Das daraus entstandene System ermöglichte es Atlas, in die Hocke zu gehen, den Mini-Kühlschrank anzuheben, das Gleichgewicht zu halten und sich an unterschiedliche Bedingungen der Aufgabe anzupassen.
Einen Mini-Kühlschrank zu bewegen, klingt vielleicht nicht revolutionär. Für humanoide Roboter gehört der zuverlässige Umgang mit einem sperrigen, schweren Gegenstand jedoch zu den scheinbar einfachen, tatsächlich aber äußerst schwierigen Aufgaben, die eine beeindruckende Demonstration von einer Maschine unterscheiden, die irgendwann nützliche Arbeit leisten könnte.
Atlas lernte die Aufgabe, bevor er den Kühlschrank überhaupt berührte
Einen physischen Roboter durch Versuch und Irrtum zu trainieren, kann langsam, teuer und bisweilen zerstörerisch sein. Boston Dynamics verlagert daher zunehmend einen großen Teil dieses Lernprozesses in die Simulation.
Für Atlas schufen die Forschenden virtuelle Umgebungen, in denen der Roboter die Aufgabe in enormem Umfang immer wieder üben konnte. Nach Angaben von Boston Dynamics zur Ausbildungsmethode sammelte Atlas parallel auf GPUs Millionen Stunden simulierte Übung.
Die Forschenden variierten unter anderem den Standort und die Masse des Kühlschranks, Atlass Griff, die Reibung des Bodens und sogar die Leistung der Motoren des Roboters. Ziel war es zu verhindern, dass Atlas eine einzige perfekte Abfolge lernte, die nur unter genau einem Satz von Bedingungen funktionierte.
Bei der physischen Demonstration geht Atlas in die Hocke, greift den Mini-Kühlschrank, richtet sich wieder auf und trägt ihn, während er das Gleichgewicht hält. Boston Dynamics zufolge wurde die Trainingsstrategie für Lasten von 50 bis 70 Pfund ausgelegt, während Atlas erfolgreich einen beladenen Kühlschrank mit einem Gewicht von mehr als 100 Pfund bewegte.
Diese Abfolge erfordert mehr als bloße Hebekraft.
Atlas muss Beine, Rumpf, Arme und Hände koordinieren und dabei kontinuierlich berücksichtigen, wo sich der Gegenstand befindet und wie er die Bewegung des Roboters beeinflusst. Wenn sich die Bedingungen ändern, muss sich das System anpassen, statt einfach eine vorgegebene Bewegung abzuspulen.
Diese Fähigkeit wird wichtig, wenn humanoide Roboterüber kontrollierte Demonstrationen hinaus in reale Arbeitsumgebungen gelangen sollen.
Warum ein Mini-Kühlschrank schwieriger ist, als er aussieht
Industrieroboter bewegen seit Jahrzehnten schwere Gegenstände, arbeiten jedoch häufig in stark strukturierten Umgebungen.
Ein herkömmlicher Roboterarm könnte dieselbe Bewegung tausende Male wiederholen, während er an einer Stelle steht. Der Gegenstand kommt an einer vorhersehbaren Position an. Die Maschine weiß, wohin sie als Nächstes muss. Menschen können zudem von ihrem Arbeitsbereich ferngehalten werden.
Humanoide Roboter werden mit einem anderen Anspruch entwickelt: Sie sollen in Umgebungen arbeiten, die bereits für Menschen gestaltet sind. Das kann bedeuten, sich durch Räume in menschlichen Maßstäben zu bewegen, Gegenstände in unterschiedlichen Höhen zu erreichen, Lasten während der Fortbewegung zu tragen und sich anzupassen, wenn die physischen Bedingungen von denen abweichen, denen der Roboter während des Trainings begegnet ist.
Boston Dynamics hat zunehmend industrielle Anwendungen für die Produktionsversion von Atlasin den Mittelpunkt gestellt, darunter Materialtransportaufgaben in Fertigungsumgebungen. Der Mini-Kühlschrank bietet eine anschauliche Möglichkeit, diese Herausforderung in Aktion zu sehen.
Fast jeder weiß, was es bedeutet, sich hinunterzubeugen, etwas Großes und Sperriges zu greifen, aufzustehen, ohne das Gleichgewicht zu verlieren, und es an einen anderen Ort zu tragen. Diese Vertrautheit macht den technischen Fortschritt ungewöhnlich leicht verständlich.
Millionen virtuelle Stunden, ein physischer Roboter
Die größere Geschichte könnte sich abspielen, bevor Atlas überhaupt einen physischen Gegenstand berührt.
Simulationen ermöglichen es Robotikforschenden, enorme Mengen an Trainingserfahrung zu erzeugen, ohne dass physische Roboter jeden Versuch in der realen Welt durchführen müssen. In einer Simulation kann ein Roboter wiederholt scheitern, ohne teure Hardware zu beschädigen. Die Forschenden können außerdem Objektgewichte, Positionen, Reibung, Motorleistung und andere Variablen verändern, um das System einer weitaus größeren Bandbreite an Bedingungen auszusetzen.
Boston Dynamics zufolge nutzten die Forschenden eine massiv parallele Simulation, um Atlas vor der Übertragung der daraus entstandenen Steuerungsstrategie auf den physischen Roboter Millionen Stunden Übung zu ermöglichen. Dieser Übergang ist wichtig, weil Erfolg in der Simulation keinen Erfolg in der realen Welt garantiert.
Kleine Unterschiede bei Oberflächen, Reibung, Sensoren, Hardware und anderen physischen Bedingungen können dazu führen, dass sich ein virtuell funktionierendes Verhalten auf einer echten Maschine anders auswirkt. Boston Dynamics bezeichnet diese Herausforderung als „Sim-to-Real-Lücke“.
Das Mini-Kühlschrank-Experiment zeigt, dass ein zunehmend komplexes Ganzkörperverhalten diesen Sprung von der Simulation zu einem physischen Atlas-Roboter schaffen kann.
Warum das wichtig ist
Der Mini-Kühlschrank ist nicht wirklich die Geschichte. Die Trainingsmethode ist es.
Wenn Ingenieurinnen und Ingenieure humanoide Roboter fürjede neue Aufgabe am Arbeitsplatzjede benötigte Bewegung manuell programmieren müssen, wird ihr Einsatz in Fabriken, Lagern und anderen Umgebungen erheblich schwieriger skalierbar.
Simulationen bieten einen anderen Weg. Forschende können Robotern enorme Mengen virtueller Übung verschaffen, Variationen einführen, deren physische Nachbildung schwierig oder zeitaufwendig wäre, und anschließend testen, ob sich das daraus entstehende Verhalten erfolgreich auf reale Hardware übertragen lässt. Das könnte beschleunigen, wie schnell humanoide Roboter neue physische Fähigkeiten erwerben.
Statt jede Bewegung einzeln zu entwickeln, könnten Entwickler zunehmendRoboter auf gewünschte Ergebnisse hin trainieren und sie einer enormen Zahl simulierter Versuche aussetzen, bevor die daraus entstehenden Verhaltensweisen in der physischen Welt eingesetzt werden.
Zwischen einer erfolgreichen Demonstration und einem Roboter, der dieselbe Aufgabe in einer unberechenbaren Arbeitsumgebung tausende Male sicher und zuverlässig ausführt, besteht nach wie vor ein enormer Unterschied.
Zuverlässigkeit, Geschwindigkeit, Kosten und Ausfallraten werden letztlich weit wichtiger sein als die Frage, ob Atlas einmal für eine Kamera einen Mini-Kühlschrank tragen kann. Genau deshalb lohnt es sich, die Demonstration anzusehen.
Das Beeindruckende ist längst nicht mehr nur, dass ein humanoider Roboter etwas hochheben kann. Es ist die Tatsache, dass Atlas diese physische Aufgabe mithilfe von Übungsmengen erlernte, die mit einem einzigen physischen Roboter praktisch nicht zu reproduzieren wären.
Lesen Sie auch: Einen weiteren Einblick darin, wie Forschende das Training humanoider Roboter beschleunigen, bietet die Frage, wie die „Learn to Teach“-KI der Georgia Tech einem Roboter Sand, Kies, Hänge und rutschige Oberflächen beibrachte.