In der Welt der Robotik hat ein Durchbruch stattgefunden, der den Einsatz autonomer Maschinen unter realen Bedingungen grundlegend verändern könnte. Wissenschaftler des Koreanischen Instituts für Wissenschaft und Technologie (KAIST) haben ein neues künstliches Intelligenz-System entwickelt, das es vierbeinigen Robotern ermöglicht, je nach Gelände selbstständig die optimale Fortbewegungsart zu wählen.

Die in der Zeitschrift Science Robotics beschriebene Technologie löst eines der Hauptprobleme der modernen Robotik: die Unfähigkeit von Maschinen, bei unvorhersehbaren Hindernissen nahtlos zwischen verschiedenen Bewegungsmodi zu wechseln.

Das Problem „starrer' Algorithmen

Vierbeinige Roboter gelten traditionell als wendiger als ihre radgetriebenen Pendants, insbesondere im Gelände. Ihr Potenzial wurde jedoch oft durch die Software eingeschränkt. Unter realen Bedingungen – sei es ein von Bäumen blockierter Waldpfad oder ein zerstörtes Gebäude – treten Hindernisse chaotisch auf.

Bisher mussten Ingenieure separate Algorithmen für jede Bewegungsart erstellen: Gehen, Laufen oder Springen. Dies machte einen natürlichen Wechsel zwischen den Stilen unmöglich. Der Roboter konnte sich entweder auf ebenen Strecken nicht beschleunigen oder verlor die Stabilität, wenn er versuchte, eine Unebenheit schnell zu überwinden.

Die APT-RL-Technologie: Lernen ohne Grenzen

Um diese Aufgabe zu lösen, wandten die Wissenschaftler die Methode APT-RL (Action Pretrained Transformer-based Reinforcement Learning) an. Übersetzt bedeutet dies „Verstärkendes Lernen auf Basis eines vorab trainierten Transformators für Aktionen'.

Das Wesen der Methode besteht darin, dass der Roboter zunächst grundlegende motorische Fähigkeiten erlernt und dann lernt, diese je nach Situation frei zu kombinieren. Dies ermöglicht es der Maschine, nicht nur auswendig gelernte Bewegungen auszuführen, sondern sie an die aktuellen Bedingungen anzupassen.

Simulation statt Realität

Ein Schlüsselaspekt der Entwicklung war die Geschwindigkeit der Datengenerierung. Anstatt Monate damit zu verbringen, Bewegungen echter Tiere mit teuren Sensoren aufzunehmen, nutzten die Wissenschaftler Computersimulationen.

In nur acht Minuten generierte ein Computer 15,5 Stunden virtueller Trainingsdaten. Auf Basis physikalischer Bewegungsmodelle und Trajektorienberechnungen durchlief die KI tausende virtuelle Versuche und Irrtümer und lernte so, die optimale Verhaltensstrategie im dreidimensionalen Raum zu wählen.

Tests in der Wildnis

Das neue Steuerungssystem wurde am firmeneigenen KAIST-Roboter HOUND erprobt. Die Maschine ist mit einer 3D-Tiefenkamera und einem LiDAR-Lasersensor ausgestattet, was ihr ermöglicht, das Gelände zu scannen und die Bewegungen sofort anzupassen.

Die Tests fanden nicht nur im Labor statt, sondern auch unter natürlichen Bedingungen – auf dem Campusgelände und im Wald. Der Roboter musste Baumwurzeln, Gruben und abgefallenes Laub überwinden.

Die Ergebnisse übertrafen die Erwartungen:

  • Der Roboter demonstrierte eine rekordverdächtige Momentangeschwindigkeit von 6 Metern pro Sekunde (ca. 22 km/h).
  • Die Maschine wechselte je nach Schwierigkeit der Route eigenständig vom Trab (diagonaler Schritt) zum Galopp oder zum Springen.
  • Das Steuerungssystem ermöglichte es dem Roboter, auch auf den schwierigsten Abschnitten das Gleichgewicht zu halten.

Die Zukunft autonomer Roboter

Die Entwickler sind überzeugt, dass der von ihnen entwickelte universelle Controller eine Basistechnologie für zukünftige physische Roboter mit KI werden wird. Solche Maschinen könnten für Inspektionen industrieller Anlagen, militärische Missionen und die Bewältigung von Naturkatastrophen eingesetzt werden, wo die Geländebedingungen oft unvorhersehbar sind und eine hohe Anpassungsfähigkeit erfordern.