Roboter und Künstliche Intelligenz Der Weg zu einer intelligenten Automatisierung
Artikel jetzt als Podcast anhören
Inhaltsverzeichnis
Roboter lernen dazu: Wie KI endlich für den großen Technologiesprung sorgen soll
Seit Jahrzehnten sind Roboter ein fester Bestandteil der Industrie, wo sie als präzise und effiziente Helfer eingesetzt werden. Doch in den chaotischen und unvorhersehbaren Umgebungen des Alltags stoßen sie schnell an ihre Grenzen. Die Frage, wie Künstliche Intelligenz (KI) diese Grenzen überwinden und den großen Technologiesprung ermöglichen kann, beschäftigt Wissenschaftler und Unternehmen weltweit.
Roboter erlernen neue Fähigkeiten
Traditionell wurden Roboter so programmiert, dass sie spezifische, klar definierte Aufgaben ausführen konnten. Doch durch den Einsatz von KI sollen Roboter nun in der Lage sein, neue Fähigkeiten zu erlernen und sich schneller an wechselnde Umgebungen anzupassen. Unternehmen wie Tesla und Figure AI treiben diese Entwicklung voran. Teslas Optimus-Roboter kann ein gebügeltes Hemd falten, während Figure 01 mit seinem menschlichen Nutzer kommuniziert und auf Nachfrage einen Apfel reicht. Phoenix, ein Roboter von Sanctuary AI, beherrscht den Tischtuchtrick. Doch sind diese Fortschritte wirklich der endgültige Durchbruch für die Robotik im privaten Haushalt?
Ein Stab mit Kamera und ein Greifer mit Saugnäpfen
Ein Beispiel für die neuen Möglichkeiten, die KI in der Robotik eröffnet, ist der Stretch-Roboter von Hello Robot. Dieser Roboter ist mit einer Kamera und einem Greifer mit Saugnäpfen ausgestattet und wird in der Regel mit einem Konsolen-Controller gesteuert. Nutzer können ihn jedoch auch in ihre eigenen KI-Modelle einbinden. Henry Evans, ein Tetraplegiker, konnte mithilfe dieses Roboters erstmals seit 20 Jahren wieder selbst Karten beim Familienspiel ziehen. Der Roboter verbesserte auch seine Beziehung zu seiner Enkelin, da sie nun gemeinsam spielen konnten.
Drei Gründe für das Moravec-Paradoxon
Das sogenannte Moravec-Paradoxon besagt, dass Aufgaben, die für Menschen einfach sind, für Maschinen schwierig sind und umgekehrt. Hans Moravec, ein Robotiker, formulierte dieses Paradoxon in den 1980er-Jahren. Es gibt drei Hauptgründe dafür:
- Fehlende präzise Kontrolle und Koordination
- Begrenztes Weltverständnis, da Roboter auf Kameras und Sensoren angewiesen sind
- Kein angeborener Sinn für praktische Physik
Mechanisch sind Roboter bereits in der Lage, komplexe Aufgaben zu bewältigen, doch das Verständnis der Umgebung und die Anpassungsfähigkeit bleiben Herausforderungen.
Stationäre Roboter und hochdynamische Systeme
Frank Kirchner vom Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) erklärt, dass klassische regelungstechnische Verfahren gut für stationäre Roboter geeignet sind, wie sie in der Automobilproduktion eingesetzt werden. Für hochdynamische Systeme, die laufen oder springen, sind jedoch andere Techniken erforderlich. Ein Beispiel ist die „Model Predictive Control“, die von Boston Dynamics für ihren humanoiden Roboter Atlas genutzt wird. Dieser Ansatz ermöglicht es dem Roboter, seine Bewegungen vorherzusagen und sich entsprechend anzupassen, hat jedoch den Nachteil, dass er nicht skaliert und nur in spezifischen Umgebungen funktioniert.
Roboter treffen KI
Die Robotikforschung hat durch den Einsatz von Deep Learning und neuronalen Netzen an Geschwindigkeit gewonnen. Systeme, die durch Verstärkungslernen (Reinforcement Learning) trainiert werden, können ihre Bewegungen in neuen Umgebungen anpassen. Ein Beispiel dafür sind vierbeinige Roboterhunde, die Treppen steigen und sich in schwierigem Gelände zurechtfinden. Diese Fähigkeiten lernten sie zunächst in einem Simulator, bevor sie in die reale Welt entlassen wurden.
Lernen durch Nachmachen
Eine weitere Technik, die in der Robotik Anwendung findet, ist das Imitationslernen. Hierbei lernt die Kontrollsoftware des Roboters durch das Nachahmen menschlicher Handlungen. Forscher des Toyota Research Institute, der Columbia University und des MIT nutzen generative KI, um Robotern schnell neue Fähigkeiten beizubringen. Mithilfe der „Diffusion Policy“ können Roboter aus menschlichen Demonstrationen lernen und neue Aufgaben wie das Schlagen von Eiern oder das Ausgießen von Flüssigkeiten übernehmen.
Die Herausforderungen der Datensammlung
Eine der größten Herausforderungen bei der Weiterentwicklung von Robotern ist die Sammlung von Trainingsdaten. Während Sprachmodelle auf eine Fülle von Textdaten im Internet zurückgreifen können, fehlen entsprechende Daten für Roboter. Unternehmen versuchen daher, diese Daten selbst zu erzeugen, entweder durch reale Aktionen von Robotern oder durch Simulationen. Dies ist jedoch ein aufwändiger Prozess.
Roboter im Haushalt
Roboter im Haushalt sind bereits Realität, jedoch noch weit von der Perfektion entfernt. Ein Beispiel ist der Staubsaugerroboter, der durch seine Sensoren und Kameras Daten sammelt und diese in die Cloud sendet. Diese Daten können jedoch auch ein Sicherheitsrisiko darstellen, wie verschiedene Hacks gezeigt haben. Hersteller arbeiten kontinuierlich daran, die Sicherheit zu verbessern und die Privatsphäre der Nutzer zu schützen.
Zukunftsperspektiven
Die Entwicklung von Robotern und KI steht an einem Wendepunkt. Dank fortschrittlicher Algorithmen und günstigerer Hardware werden Roboter zunehmend kompetenter und nützlicher. Es bleibt jedoch abzuwarten, wie schnell diese Technologien den Alltag der Menschen revolutionieren werden. Experten sind sich einig, dass der Einsatz von Robotern weiter zunehmen wird, sei es in der Pflege, im Haushalt oder in anderen Bereichen des täglichen Lebens.
