Laufroboter können Aufgaben durch Erinnerung an Bewegungen ausführen
Das Berechnen von Roboterbewegungen ist außerordentlich komplex, und bei Robotern mit Armen und Beinen, die sich in einer unstrukturierten Umgebung bewegen, ist dies noch schwieriger. So muss der Roboter schnell auf die von seinen Sensoren erfassten Reize reagieren und diese Informationen auf der Grundlage optimaler Entscheidungen auf neue Situationen anwenden. „Solche Roboter sind sehr instabil. Trifft ein zweibeiniger Roboter nicht die richtige Entscheidung, kann er umfallen und wird dabei wahrscheinlich Schaden nehmen“, sagt der Koordinator des Projekts MEMMO, Nicolas Mansard, Robotikexperte und Forschungsleiter am Nationalen Zentrum für wissenschaftliche Forschung (CNRS) in Toulouse, Frankreich. „Damit ein Laufroboter in Echtzeit auf eine Situation reagieren kann, muss er in der Lage sein, ein numerisches Problem mit 10 000 Variablen innerhalb einer Millisekunde zu lösen, und das übersteigt bei weitem den Rahmen dessen, was künstliche Intelligenz heutzutage zu leisten vermag“, erklärt Mansard. „Wir haben Memory of Motion entwickelt, um diese große Herausforderung zu meistern.“
Zu viele Variablen zur Auswahl
Eine gewaltige Menge an vorab berechneten optimalen Bewegungen wurde offline generiert und in einer Datenbank möglicher Reaktionen mit dem Namen Memory of Motion komprimiert. Der Roboter wird offline in verschiedenen simulierten Umgebungen geschult, um diese Bewegungsbibliothek aufzubauen. „Wir nutzen die besten verfügbaren Bewegungsplaner, um die Zeit für die Erkundung der Datenbank zu verkürzen und die Qualität der generierten Daten zu verbessern, und wir verwenden maschinelles Lernen, um sie in einem Bewegungsspeicher zu kodieren, der weniger Speicherplatz benötigt. Anschließend passen wir einen Bewegungskandidaten aus dem Speicher optimal an ähnliche Situationen an, die nicht explizit erforscht wurden“, erklärt Mansard. Dies wird als „Generalisierung“ bezeichnet. Während der Roboter umherläuft, erkennt er eine neue Situation anhand seiner Sensoren in Echtzeit. Er wählt dann eine geeignete Reaktion aus seinem Gedächtnis aus und optimiert sie mithilfe seiner Vorhersagefunktionen. „Online verwenden wir dieses Bewegungsgedächtnis, um einen ‚Optimierungslöser‘ zu steuern, der die endgültige Entscheidung darüber trifft, wie sich der Roboter verhalten soll, um sein Gleichgewicht zu halten, zu gehen, Werkzeuge zu bedienen und andere Dinge zu tun“, fügt Mansard hinzu. „Diese Art der Erzeugung von Roboterbewegungen ist eine brandneue Idee, die wir von Grund auf entwickelt haben.“
Überprüfung mit drei verschiedenen Roboterszenarien
MEMMO setzte einen leistungsstarken humanoiden Roboter ein, um mit dem Konsortialpartner Airbus in Toulouse, Frankreich, Werkzeugaufgaben für die Flugzeugmontage auszuführen. „In dem Demonstrationsprojekt war der Roboter in der Lage, sich in einer Fabrik zu bewegen, zum Montagebereich zu gehen und die vereinfachte Version einer Werkzeugaufgabe zu nutzen“, so Mansard. In einem zweiten Anwendungsbeispiel wurde ein Advanced Walking Exoskeleton, ein weiterentwickeltes Außenskelett zum Gehen, in einem Rehabilitationszentrum unter medizinischer Aufsicht mit einer querschnittsgelähmten Person gekoppelt, um diese wieder zum Gehen zu bringen. Im Zuge des Projekts wurde es zu einem ausgereiften Produkt weiterentwickelt, das nun für ein medizinisches Zentrum bestellt wurde. Ziel ist, das Exoskelett später auch zu Hause einzusetzen. Zuletzt wurde es mit einem vierbeinigen Roboter getestet, der in einen zu grabenden Tunnel oder in Gebäude gehen kann, die abgerissen werden sollen. „Man möchte einen Überblick über das Geschehen haben, insbesondere in Gefahrenzonen, in die man keine Menschen schicken möchte“, sagt Mansard. Erprobt wurde das System mit einem handelsüblichen industriellen Inspektionsroboter der Firma ANYbotics aus der Schweiz. Deren Roboter ANYmal ist bereits im Handel erhältlich.
Eine generische Lösung
Bei den drei sehr unterschiedlichen Robotern kommt derselbe Bewegungsgenerator zum Einsatz. „Dies gelang uns, indem wir uns auf die Fortschritte in der numerischen Optimierung und im maschinellen Lernen stützten und beides miteinander verknüpften.“ Er fügt hinzu: „Diese werden nicht oft zusammen verwendet.“ „Es ist nicht für alle möglichen Bewegungsprobleme geeignet – zumindest noch nicht. Aber es ist sehr generisch und geht viel weiter als bisherige Modelle“, so Mansard abschließend.
Schlüsselbegriffe
MEMMO, Roboter, Robotik, Bewegungsgenerator, humanoid, Airbus, Exoskelett, querschnittsgelähmt, Rehabilitation, Vierbeiner, ANYbotics, ANYmal
