MIT-Forscher nutzen KI, um Roboter höher springen und sicherer landen zu lassen.

Mit Generativer Künstlicher Intelligenz (GenAI) Roboter höher springen und sicherer landen zu lassen Byungchul Kim (links) und Tsun-Hsuan "Johnson" Wang haben Generative KI angewendet, um von Menschen entworfene Roboter zu verbessern. Quelle: MIT CSAIL Diffusionsmodelle wie OpenAI's DALL-E gewinnen zunehmend an Bedeutung, um neue Designs zu entwickeln. Menschen können diese Systeme dazu anregen, Bilder, Videos oder Blaupausen zu erstellen und damit Ideen hervorzubringen, die sie bisher nicht in Betracht gezogen haben. Was weniger bekannt ist, ist, dass Generative KI-Modelle auch bei der Erstellung funktionsfähiger Roboter Fortschritte machen. Neue diffusionsbasierte Ansätze erzeugen Strukturen und Steuerungssysteme aus dem Nichts und können diese Designs vor der Fertigung in Simulationen evaluieren. Ein neuer Ansatz vom Massachusetts Institute of Technology (MIT) Computer Science and Artificial Intelligence Laboratory (CSAIL) nutzt dieses generative Wissen, um menschliche Robotdesigns zu verbessern. Benutzer können ein 3D-Modell eines Roboters erstellen und angeben, welche Teile sie gerne von einem Diffusionsmodell modifiziert sehen möchten, wobei sie zunächst die Abmessungen bereitstellen. Die GenAI überlegt dann die optimale Form für diese Bereiche und testet ihre Ideen in Simulationen. Wenn das System das richtige Design gefunden hat, kann es gespeichert und anschließend mit einem 3D-Drucker in einen funktionierenden, echten Roboter verwandelt werden, ohne weitere Anpassungen zu benötigen. Die Forscher haben diesen Ansatz verwendet, um einen Roboter zu schaffen, der im Durchschnitt etwa 60 Zentimeter hochspringt, was 41% höher ist als eine ähnliche Maschine, die sie selbst entworfen haben. Die beiden Maschinen sehen fast identisch aus: Sie sind beide aus Polylactidsäure hergestellt, einer Art Plastik, und erscheinen anfangs flach. Sobald ein Motor an dem daran befestigten Seil zieht, springen sie in eine Diamantform auf. Was genau hat die KI anders gemacht? Bei genauerem Hinsehen zeigt sich, dass die durch die KI generierten Verbindungsstücke gekrümmt sind und an dichte Trommelstöcke erinnern, während die Verbindungsstücke des Standardroboters gerade und rechteckig sind. Bessere und bessere Blob-Formen Um ihren Sprungradaroboter zu optimieren, haben die Forscher 500 potenzielle Designs unter Verwendung eines initialen Embedding-Vektors – einer numerischen Darstellung, die hoheigenschaftliche Merkmale zur Steuerung der vom KI-Modell erzeugten Designs enthält – ausgewählt. Aus diesen wurden die besten 12 Optionen basierend auf ihrer Leistung in Simulationen ausgewählt, um den Embedding-Vektor zu optimieren. Dieser Prozess wurde fünfmal wiederholt, wodurch das KI-Modell nach und nach zu besseren Designs gelangte. Das resultierende Design ähnelte einem Blob, daher forderten die Forscher ihr System auf, das Entwurf zu skalieren, um ihrem 3D-Modell anzupassen. Nach der Fertigung fanden sie heraus, dass es tatsächlich die Sprunghöhe des Roboters verbesserte. Das Team beauftragte anschließend sein System damit, eine optimierte Fußform zu entwerfen, um das sichere Landen zu gewährleisten. Sie wiederholten den Optimierungsprozess und wählten schließlich das bestperformende Design, um es am Boden ihrer Maschine anzubringen. Kim und seine Kollegen stellten fest, dass ihr KI-gestalteter Roboter weit seltener fiel als der Baseline-Roboter, was eine Verbesserung von 84% bedeutete. Das Potenzial der Diffusionsmodelle, die Sprunghöhe und das Landeverhalten eines Roboters zu verbessern, deutet darauf hin, dass sie nützlich sein könnten, um andere Maschinen zu optimieren. Zum Beispiel könnte ein Unternehmen, das Fertigungs- oder Haushaltsroboter herstellt, einen ähnlichen Ansatz verwenden, um Prototypen zu verbessern und Ingenieuren Zeit zu sparen, die normalerweise für solche Anpassungen benötigt wird. Das Gleichgewicht hinter dem Sprung Um einen Roboter zu schaffen, der hochspringen und stabil landen kann, erkannten die Forscher, dass sie ein Gleichgewicht zwischen beiden Zielen finden mussten. Sie repräsentierten Sprunghöhe und Landungserfolgsrate als numerische Daten und trainierten ihr System, einen optimalen Punkt zwischen beiden Embedding-Vektoren zu finden, der zur Erstellung einer idealen 3D-Struktur beitrug. Während dieser KI-unterstützte Roboter seinen menschengestalteten Vorgänger übertroffen hat, könnten zukünftige Versionen noch höhere Leistungen erzielen. Diese Iteration verwendete Materialien, die mit einem 3D-Drucker kompatibel waren, aber zukünftige Versionen würden noch höher springen, wenn leichtere Materialien verwendet würden. Johnson Wang, Co-Lead-Autor und PhD-Student am MIT CSAIL, sieht das Projekt als Ausgangspunkt für neue Robotdesigns, bei denen Generative KI helfen könnte. „Wir möchten flexiblere Ziele verfolgen“, sagt Wang. „Stellen Sie sich vor, natürliche Sprache zu verwenden, um ein Diffusionsmodell zu leiten, das einen Roboter entwirft, der ein Glas aufnehmen oder eine elektrische Bohrmaschine bedienen kann.“ Kim betont, dass ein Diffusionsmodell auch bei der Generierung von Artikulationen und der Ideenfindung, wie Teile miteinander verbunden werden, helfen könnte, was wiederum die Sprunghöhe des Roboters verbessern könnte. Das Team untersucht auch die Möglichkeit, weitere Motoren hinzuzufügen, um die Sprungrichtung zu steuern und möglicherweise die Landestabilität zu erhöhen. Industrie-Insider bewerten das Potential dieser Methode sehr positiv. Sie sehen in ihr eine revolutionäre Möglichkeit, die Entwicklung von Robotern zu beschleunigen und zu optimieren, insbesondere in industriellen und domestischen Anwendungen. Das MIT CSAIL ist bekannt für seine fortschrittlichen Forschungen im Bereich Künstliche Intelligenz und Robotik, und dieses Projekt zeigt einmal mehr, wie die Institution innovative Technologien nutzt, um die Zukunft der Roboterentwicklung zu gestalten.