Forschende des Singapore University of Technology and Design (SUTD) haben ein neuartiges Sicherheitssystem für treppensteigende Serviceroboter entwickelt. Das System nutzt maschinelles Lernen, um dem Roboter beizubringen, sich in Sturzmomenten selbst abzufangen. Dies adressiert eines der größten Hindernisse für den Einsatz autonomer Roboter in Treppenhäusern, da Stufen für mobile Maschinen besonders anspruchsvolles Terrain darstellen. Studien belegen, dass solche Roboter auf Treppen mindestens 35-mal häufiger scheitern als auf ebenem Boden. Ein Sturz kann durch die akkumulierte Bewegungsmasse schwere Schäden am Gerät, an der Infrastruktur und an Personen verursachen. Professor Mohan Rajesh Elara vom Robotics and Automation Research (ROAR) Labor betont, dass rein präventive Maßnahmen wie Pfadplanung nicht ausreichen, da sie nicht verhindern können, dass eine Person den Roboter versehentlich von oben anstößt. Solange dieses Restrisiko ungelöst bleibt, werden Betreiber schwere autonome Plattformen eher als Haftungsrisiko denn als effizientes Werkzeug betrachten. Um dieses Problem zu lösen, haben die Forscher eine kommerzielle Kettenfahrzeug-Roboterbasis mit einem dreigelenkigen Arm ausgestattet. Der Arm wird durch eine Policy gesteuert, die ausschließlich durch Verstärkungslernen (Reinforcement Learning) in einer Simulation trainiert wurde. Nach der Analyse von fünf verschiedenen Sturzmustern – darunter Rückwärtsstürze, Kippstürze und Seitwärtsstürze – ermittelte das Team, dass ein Mechanismus mit drei Freiheitsgraden am Heck des Roboters notwendig und hinreichend ist, um alle Sturzarten abzufedern. Ein Proximal Policy Optimization-Algorithmus optimierte das Verhalten des Controllers. Dabei wurde jedes Verhalten bewertet: Stabile Endpositionen wurden belohnt, während Stürze über die Stufen oder unnötige Armbewegungen bestraft wurden. In Tests erreichte das System mit fünf trainierten Controllern eine durchschnittliche Erfolgsrate von 69,4 Prozent, den Sturz zu stoppen und den Roboter in eine stabile Lage zu überführen. Im Vergleich dazu scheiterte eine manuell programmierte Basisversion in nur 38,6 Prozent der Fälle und destabilisierte den Roboter oft weiter. Bei erfolgreichem Abfangen dauerte die Stabilisierung durchschnittlich 4,25 Sekunden. Ein besonders vielversprechendes Ergebnis zeigt sich in der Robustheit des Systems. Der Controller, der ursprünglich nur mit einem spezifischen Robotertyp und einer bestimmten Treppengeometrie trainiert wurde, funktionierte ohne erneutes Training auch auf anderen Plattformen. Auf einem zehn Prozent größeren Roboter stieg die Erfolgsrate sogar auf 87 Prozent. Dies beweist, dass das System keine feste Geometrie auswendig gelernt hat, sondern eine generalisierende Wiederherstellungsstrategie erlernt hat, die für verschiedene Robotermodelle derselben Morphologie wiederverwendet werden kann. Trotz dieser Fortschritte liegt die aktuelle Erfolgsrate noch unter den strengen Sicherheitsstandards wie IEC 61508, die für eigenständige Sicherheitsfunktionen gefordert werden. Um die Einsatzreife zu erreichen, müssen die Forscher die Leistung des Controllers weiter steigern, zusätzliche mechanische Maßnahmen wie Bremsen integrieren und die Erklärbarkeit der KI durch Ersatzmodelle gewährleisten. Der nächste Schritt ist die Validierung an einem physischen Teststand und der darauf folgende Einsatz auf realen Treppen. Das Ziel der ROAR-Labor-Gruppe ist es, diese Technologie als vertrauenswürdige Sicherheitsschicht in eine größere Architektur zu integrieren, um das Vertrauen von Betreibern in treppensteigende autonome Systeme zurückzugewinnen und die Entwicklung zu marktreifen Plattformen voranzutreiben.