Künstliche Intelligenz verbessert Springfähigkeit und Landesicherheit von Robotern um 84%

Generative KI hilft Roboter, höher zu springen und sicherer zu landen Diffusionsmodelle wie OpenAI’s DALL-E werden zunehmend nützlich bei der Entwicklung neuer Designs. Menschen können diese Systeme dazu anweisen, Bilder zu erstellen, Videos zu generieren oder Blaupausen zu verfeinern, um Ideen hervorzubringen, die sie sich zuvor nicht vorgestellt hätten. Doch wussten Sie, dass generative KI-Modelle (GenAI) auch Fortschritte bei der Erstellung funktionsfähiger Roboter machen? Neueste diffusionsbasierte Ansätze erzeugen Strukturen und Steuersysteme von Grund auf neu. Diese Modelle können neue Designs entwickeln und diese in Simulationen testen, bevor sie gefertigt werden. Ein neuer Ansatz vom Massachusetts Institute of Technology’s Computer Science and Artificial Intelligence Laboratory (MIT CSAIL) nutzt dieses generative Know-how, um menschliche roboterdesigns zu verbessern. Benutzer können ein 3D-Modell eines Roboters erstellen und angeben, welche Teile sie von einem Diffusionsmodell modifiziert sehen möchten, wobei sie die Abmessungen vorab 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 mit einem 3D-Drucker in ein funktionierendes, realweltliches Modell umgewandelt werden, ohne weitere Anpassungen erforderlich zu sein. Die Forscher haben diesen Ansatz verwendet, um einen Roboter zu erschaffen, der im Durchschnitt etwa 60 cm hoch springt – das ist 41 Prozent höher als eine ähnliche Maschine, die sie selbst entwickelt hatten. Die Roboter sind in ihrem Aussehen fast identisch: Sie bestehen beide aus einem Kunststoff namens Polylactidsäure und scheinen zunächst flach zu sein. Wenn ein Motor an dem daran angebrachten Seil zieht, springen sie in Form eines Diamanten auf. Was genau hat die KI anders gemacht? Eine genaue Betrachtung zeigt, dass die KI-generierten Verbindungsstücke gekrümmt sind und an dicke Trommelstöcke erinnern, während die Verbindungsstücke des standardmäßigen Roboters gerade und rechteckig sind. Verbesserung durch fortschreitende Optimierung Die Forscher begannen, ihren sprungfähigen Roboter zu optimieren, indem sie 500 potenzielle Designs mit Hilfe eines initialen Einbettungsvektors – einer numerischen Darstellung, die hochwertige Merkmale zur Leitung der von der KI generierten Designs erfasst – abriefen. Sie wählten die besten 12 Optionen basierend auf ihrer Leistung in Simulationen aus und nutzten diese, um den Einbettungsvektor zu optimieren. Dieser Prozess wurde fünfmal wiederholt, wodurch die KI-Modelle kontinuierlich besser wurden. Das resultierende Design ähnelte einem Klumpen, daher baten die Forscher ihr System, das Entwurf auf ihr 3D-Modell abzustimmen. Bei der Fertigung fanden sie heraus, dass das Design tatsächlich die Sprunghöhe des Roboters verbesserte. Das Besondere an der Nutzung von Diffusionsmodellen für diese Aufgabe, erklärt Co-Lead-Autor und CSAIL Postdoc Byungchul Kim, ist, dass sie unkonventionelle Lösungen finden können, um Roboter zu optimieren. „Wir wollten unsere Maschine höher springen lassen, deshalb dachten wir, dass wir einfach die Verbindungsstücke so dünn wie möglich machen könnten, um sie leichter zu machen“, sagt Kim. „Allerdings bricht eine solch dünne Struktur leicht, wenn man nur 3D-druckbares Material verwendet. Unser Diffusionsmodell kam mit einer besseren Idee, indem es eine einzigartige Form vorschlug, die es dem Roboter ermöglicht, mehr Energie vor dem Sprung zu speichern, ohne die Verbindungsstücke zu dünn zu machen. Diese Kreativität half uns, die zugrundeliegende Physik der Maschine zu verstehen.“ Die Forscher forderten ihr System anschließend auf, eine optimierte Fußform zu entwerfen, um die Landung sicherer zu gestalten. Sie wiederholten den Optimierungsprozess, bis sie das beste leistungsstarke Design auswählten und es am unteren Teil ihrer Maschine anbrachten. Kim und seine Kollegen stellten fest, dass ihr KI-generierter Roboter um 84 Prozent weniger oft fiel als das Basismodell. Das Gleichgewicht hinter dem Sprung Um einen Roboter zu schaffen, der hoch springen und stabil landen kann, erkannten die Forscher, dass sie ein Gleichgewicht zwischen beiden Zielen finden mussten. Sie repräsentierten sowohl Sprunghöhe als auch Landungserfolg als numerische Daten und trainierten ihr System, einen optimalen Punkt zwischen beiden Einbettungsvektoren zu finden, der zur Erstellung einer idealen 3D-Struktur beitrug. Diese Arbeit wurde teilweise vom National Science Foundation’s Emerging Frontiers in Research and Innovation Programm, dem Singapore-MIT Alliance for Research and Technology’s Mens, Manus and Machina Programm und der Zusammenarbeit zwischen dem Gwangju Institute of Science and Technology (GIST) und CSAIL unterstützt. Sie präsentierten ihre Ergebnisse auf der International Conference on Robotics and Automation 2025. Bewertung des Ereignisses und Branchenmeinungen Die Anwendung von Diffusionsmodellen zur Optimierung von Robotern markiert einen wichtigen Schritt in der Entwicklung robuster und effizienterer Maschinen. Branchenexperten sehen great Potenzial in dieser Technologie, da sie Ingenieuren Zeit spart und innovative Designs ermöglicht. Unternehmen, die in der Fertigung oder Haushaltsrobotik tätig sind, könnten ähnliche Ansätze nutzen, um ihre Prototypen zu verbessern. MIT CSAIL ist bekannt für seine fortschrittlichen Forschungen im Bereich Künstliche Intelligenz und Robotik, und dieses Projekt unterstreicht einmal mehr die führende Rolle der Institution in diesem Bereich.