Roboter lernen, das Unausgesprochene zu verstehen: MIT stellt Technologie vor, die ohne überflüssige Daten lernt

Das Training von Robotern für den Einsatz in der realen Welt ist eine Aufgabe, die Ingenieure seit Jahrzehnten vor Herausforderungen stellt. Das Hauptproblem bestand darin, dass Roboter Anweisungen oft wörtlich nahmen und dabei Kontext sowie die impliziten Absichten des Menschen verpassten. Wenn man einen Roboter bittet, während eines Videoanrufs eine Tasse Kaffee auf den Tisch zu stellen, könnte er sie zu nah am Laptop platzieren oder sich zu dicht nähern und dabei die Störung stören. Doch nun haben Forscher des Massachusetts Institute of Technology (MIT) einen Weg gefunden, Maschinen beizubringen, „zwischen den Zeilen zu lesen“.

Zwei Modelle – ein Ergebnis

Das Team des Computer Science and Artificial Intelligence Laboratory (CSAIL) hat eine Methode entwickelt, die als Masked Inverse Reinforcement Learning (Masked IRL) bezeichnet wird. Ihr Kern besteht in der Verwendung von zwei großen Sprachmodellen, von denen jedes eine eigene Funktion erfüllt.

Das erste Modell klärt mehrdeutige Anweisungen auf. Wenn beispielsweise ein Benutzer sagt „bleib in der Nähe“, interpretiert das System dies nicht als „drücke dich an den Menschen“, sondern als „nähre dich der Tischoberfläche“. Das zweite Modell analysiert die Umgebung, hebt wichtige Details hervor und filtert unnötige Informationen heraus. So wird beispielsweise die Tatsache, dass der Instrukteur sich während der Demonstration auf den Tisch stützt, ignoriert, da sie keinen Einfluss auf die Aufgabenerfüllung hat.

Effizienz in Zahlen

Die Testergebnisse sind beeindruckend: Die neue Methode hat den für das Training erforderlichen Datenbedarf fast um das Fünffache reduziert. Gleichzeitig sind Roboter nun 15 % effektiver darin, unausgesprochene Präferenzen der Benutzer zu erkennen, als dies bei früheren Algorithmen der Fall war.

In Simulationen erlernten Roboter schnell komplexe Aufgaben, wie das Bewegen einer Tasse um einen Laptop herum oder das Wischen eines Tisches unter Beibehaltung des Kontakts mit der Oberfläche. Unter realen Bedingungen konnten Roboter nach etwa 50 Demonstrationen bereits eigenständig Aktionen ausführen und Kollisionen mit Objekten vermeiden, über die ihnen nicht explizit informiert wurde.

Wie es in der Praxis funktioniert

Das Training erfolgt durch kinästhetische Demonstration – eine Methode, bei der ein Mensch den Roboter buchstäblich „an der Hand führt“ und zeigt, wie Bewegungen korrekt ausgeführt werden. Sensoren erfassen den Vorgang, während Sprachmodelle die Logik der Handlungen und die Umgebung analysieren.

Laut Minyoung Hwang, einem Doktoranden am MIT und Hauptautor der Studie, ist das Ziel des Teams, den menschlichen Aufwand bei der Steuerung von Robotern zu minimieren. „Wir wollten, dass Roboter verstehen, was Benutzer wirklich wollen, auch wenn sie dies nicht vollständig verbal ausdrücken können“, so Hwang.

Wo ist dies anwendbar?

Die Technologie Masked IRL ist besonders relevant für Situationen, in denen Menschen erwarten, dass der Roboter „alles selbst versteht“. Beispielsweise kann ein Roboter in der Küche nach Snacks suchen, muss aber wissen, dass er den Laptop auf dem Tisch nicht berühren darf. In der Produktion muss ein Roboter, der Waren bewegt, Regale und Ausrüstung umgehen, auch wenn der Operator dies nicht explizit angegeben hat.

Das System hat bereits die Fähigkeit gezeigt, sich an neue Aufgaben anzupassen, mit denen der Roboter während des Trainings nicht konfrontiert war. Dies eröffnet Perspektiven für die breite Einführung solcher Lösungen im Haushalt, in der Medizin, Logistik und Industrie.