Künstliche Intelligenz verbessert Roboterausbildung durch Simulationsdaten.

Im Bereich der Robotik wird eine neue Methode namens PhysicsGen entwickelt, die auf Simulationen basiert und Trainingsdaten für flinkere Roboter erstellt. Diese Technologie nutzt detaillierte Simulationspunkte, um Roboter durch potenzielle Objektmanipulationen zu führen. Jede Simulation dient als Trainingspunkt, der den Roboter in verschiedenen Bewegungsabläufen unterweist. Wenn diese Simulationsdaten in ein Verhaltensmodell (eine Handlungsstrategie, die der Roboter befolgt) integriert werden, hat die Maschine eine Vielzahl von Ansätzen, um eine Aufgabe zu erfüllen, und kann alternative Bewegungen ausprobieren, wenn eine Methode nicht erfolgreich ist. In einem Experiment mit zwei realen Robotarmen konnten die Forscher beobachten, wie sich die Maschinen verbesserten, indem sie zusammenarbeiteten, um eine große Kiste in eine bestimmte Position zu drehen. Wenn die Roboter von der vorgesehenen Trajektorie abwichen oder das Objekt ungeschickt handhabten, konnten sie während der Aufgabe durch Rückgriff auf alternative Trajektorien aus ihrer Instruktionssdatenbibliothek wiederaufnehmen. Russ Tedrake, Professor für Elektrotechnik, Informatik, Luft- und Raumfahrttechnik sowie Maschinenbau am Massachusetts Institute of Technology (MIT) und Senior Vice President für große Verhaltensmodelle am Toyota Research Institute, betont, dass diese simulationsgestützte DatenGenerierungstechnik die Stärken menschlicher Demonstrationen mit der Leistungsfähigkeit von Roboterbewegungsplanungsalgorithmen kombiniert. „Selbst eine einzelne Demonstration eines Menschen kann das Bewegungsplanungsproblem erheblich vereinfachen," erklärt Tedrake. Er sieht zukünftige Möglichkeiten, bei denen Fundamentmodelle diese Informationen liefern könnten, und diese Technik als Art "Nachbearbeitungsrezept" für solche Modelle dienen würde. PhysicsGen könnte in Zukunft erweitert werden, um die Aufgabenvielfalt zu erhöhen, die eine Maschine ausführen kann. Linyi Yang, eine der führenden Forscherinnen, erklärt: „Wir möchten PhysicsGen nutzen, um einem Roboter beizubringen, Wasser zu gießen, obwohl er nur zur Aufbewahrung von Geschirr trainiert wurde." Ihr Ziel ist es, eine vielseitige Bibliothek physikalischer Interaktionen zu schaffen, die als Bausteine für komplett neue Aufgaben dienen können, die bisher noch nicht von Menschen demonstriert wurden. Die Erstellung vielseitiger und weit verbreiteter Trainingsdaten könnte letztendlich dazu beitragen, ein Fundamentmodell für Roboter zu entwickeln. Die MIT-Forscher warnen jedoch, dass dies ein langfristiges Ziel ist. Das von CSAIL geführte Team untersucht, wie PhysicsGen riesige, unstrukturierte Ressourcen wie Internetvideos als Ausgangspunkt für Simulationen nutzen kann. Das Ziel ist es, alltägliche visuelle Inhalte in reichhaltige, roboterfreundliche Daten zu verwandeln, die Maschinen beibringen könnten, Aufgaben auszuführen, die niemand explizit gezeigt hat. Yang und ihre Kollegen planen auch, PhysicsGen für Roboter mit unterschiedlichen Formen und Konfigurationen nützlicher zu machen. Dazu wollen sie Datensätze mit echten Roboterdemonstrationen nutzen, die zeigen, wie robotische Gelenke sich bewegen, anstelle von menschlichen Bewegungen. Zudem planen sie, Verstärkungslernen einzubeziehen, bei dem ein KI-System durch Versuch und Irrtum lernt, um die Datensatzgröße über menschliche Beispiele hinaus zu erweitern. Sie könnten fortschrittliche Wahrnehmungstechniken in ihren Prozess integrieren, um Roboter zu helfen, ihre Umgebung visuell wahrzunehmen und zu interpretieren, was die Maschinen befähigen würde, die Komplexitäten der physischen Welt zu analysieren und sich darauf anzupassen. Derzeit zeigt PhysicsGen, wie KI dabei helfen kann, verschiedene Roboter in der Manipulation von Objekten innerhalb derselben Kategorie, insbesondere starreren Objekten, zu trainieren. Die Technologie könnte bald den Roboter helfen, auch weiche (wie Früchte) und formbare Objekte (wie Ton) besser zu handhaben, aber diese Interaktionen sind derzeit noch schwierig zu simulieren. Insgesamt bietet PhysicsGen einen vielversprechenden Ansatz, um Roboter effektiver und flexibler bei der Manipulation von Objekten zu machen. Branchenkenner sehen darin ein Potenzial, das die Roboterforschung erheblich voranbringen könnte. PhysicsGen stellt eine Brücke zwischen menschlichen Demonstrationsfähigkeiten und maschinellen Lernalgorithmen dar, die den Weg für fortschrittlichere und autonomere Roboter bereitet. Tedrake und sein Team sind bekannt für ihre innovativen Ansätze in der Robotik, und das Toyota Research Institute setzt große Hoffnungen in die Weiterentwicklung dieser Technologie.