Roboter, die Künstliche Intelligenz (KI) mit Steuerungstheorie kombinieren, zeigen nun erheblich verbesserte Fähigkeiten bei komplexen, mehrstufigen Bewegungen. Forscher um Ian Abraham, Assistant Professor für Maschinenbau an der Yale University, haben ein Hund-ähnliches Roboter-System – den Unitree Go2 – mit einer Kombination aus KI-Lernverfahren und hybrider Steuerungstheorie ausgestattet, um anspruchsvolle motorische Aufgaben wie einen Rückwärtssalto gefolgt von einer Handstand-Position zu meistern. Während reine KI-Ansätze wie Verstärkungslernen (reinforcement learning) gut für einzelne, isolierte Fähigkeiten wie Handstände oder Sprünge sind, leiden sie bei der Kombination mehrerer Bewegungen unter Leistungseinbußen und Instabilität. Abraham erklärt: „Wenn wir Roboter komplexe, zusammengesetzte Fähigkeiten erlernen lassen wollen – etwa einen Salto in einen Handstand – führt die reine KI-Trainingsstrategie oft zu schlechterer Leistung als das Training einzelner Bewegungen.“ Um dieses Problem zu lösen, integriert das Team Methoden aus der optimalen Steuerungstheorie, insbesondere die hybride Steuerung, die entscheidet, wann ein Roboter zwischen verschiedenen Kontrollmodi wechseln sollte – beispielsweise zwischen Planung basierend auf Modellen und Lernen durch Erfahrung. Diese Strategie ermöglicht es dem Roboter, effizient zwischen verschiedenen Lernansätzen zu wechseln, um präzise, dynamische Bewegungen zu erzeugen, ohne die Stabilität zu verlieren. Im Experiment wurde der Go2-Roboter zunächst mit KI-Methoden trainiert, um komplexe Bewegungen wie den Rückwärtssalto zu erlernen. Anschließend nutzte die hybride Steuerungstheorie die erlernten Fähigkeiten, um einen nahtlosen Übergang in die Handstand-Position zu ermöglichen – ein Beispiel für kompoundierte Motorik. Die Forscher vergleichen dies mit menschlichem Lernen: „Zuerst analysieren wir unsere Bewegungen, dann wird es zur Muskelerinnerung – wir denken weniger nach.“ Genau das versucht das System nachzuahmen: Erst planen und lernen, dann automatisieren und optimieren. Die Ergebnisse, veröffentlicht auf dem arXiv-Preprint-Server, zeigen, dass die Kombination aus KI und hybrider Steuerung nicht nur die Leistung bei komplexen Aufgaben steigert, sondern auch die Robustheit und Sicherheit im Einsatz erhöht. Langfristig könnte diese Technologie Roboter in unstrukturierten Umgebungen wie Haushalten oder Katastrophengebieten einsetzbar machen. „Wenn ein Roboter vor Ort eine neue Fähigkeit erlernen muss, kann er aus einem Arsenal an Lernmethoden wählen, mit Planung und Vernunft sicher agieren und durch praktische Erfahrung lernen“, sagt Abraham. Sobald ein gewisses Vertrauen erreicht ist, kann er spezialisierte, vorher gelernte Fähigkeiten einsetzen, um über das Grundniveau hinauszugehen. Dieser Ansatz könnte den Sprung von spezialisierten Industrierobotern hin zu allgemein einsetzbaren, adaptiven Systemen vorantreiben. Industrieexperten sehen in der Arbeit von Abraham eine bedeutende Entwicklung im Bereich der autonomen Robotik. Die Kombination von KI und mathematisch fundierter Steuerungstheorie wird als Schlüssel für die nächste Generation intelligenter Roboter angesehen. Die Unitree Go2, ein bereits auf dem Markt erhältliches, leistungsstarkes bipedales Roboter-Plattform, wird zunehmend als Testfeld für solche Forschungen genutzt. Yale University positioniert sich damit als führendes Zentrum für die Integration von Lern- und Steuerungstheorie in der Robotik, wobei die Forschung potenziell auch in der medizinischen Rehabilitation, im Such- und Rettungseinsatz oder in der assistiven Technologie Anwendung finden könnte.