Ob es Ihnen gefällt oder nicht, wir sind von Robotern umgeben. Tausende Amerikaner fahren heutzutage mit Autos zur Arbeit, die so gut wie selbst fahren. Staubsauger huschen alleine durch unsere Wohnzimmer. Quadcopter-Drohnen überfliegen automatisch die Felder auf dem Bauernhof und nehmen Luftaufnahmen vor, mit denen die Landwirte ihre Ernten anbauen können. Sogar unheimlich aussehende humanoide Roboter, die wie wir springen und rennen können, könnten in naher Zukunft im Handel erhältlich sein.
Robotergeräte können sich ohne unser Zutun ziemlich gut auf unserer Welt bewegen. Aber trotz dieser neu entdeckten Fähigkeiten haben sie immer noch eine große Schwäche: Die talentiertesten der Gruppe können immer noch durch einen einfachen Türknauf auf ihren Spuren aufgehalten werden.
Laut Matt Mason, einem Robotiker an der Carnegie Mellon University, ist das Problem, dass alle vorhandenen Fähigkeiten von Robotern, sich autonom um die Welt zu bewegen, noch keine bedeutungsvolle physische Interaktion mit Objekten ermöglichen, wenn sie dort ankommen.
„Was haben wir aus der Robotik gelernt? Die wichtigste Lektion ist, dass Manipulationen schwierig sind. Dies widerspricht unserer individuellen Erfahrung, da fast jeder Mensch ein erfahrener Manipulator ist “, schreibt Mason in einem kürzlich erschienenen Übersichtsartikel.
Es ist ein fairer Punkt. Wir Menschen manipulieren die Welt um uns herum, ohne nachzudenken. Wir greifen, stoßen, drehen, hacken und stoßen fast unbewusst, auch dank unserer unglaublich geschickten Hände. Aus diesem Grund haben wir unsere Welten mit Blick auf diese Anhänge aufgebaut. Alle Mobiltelefone, Tastaturen, Radios und andere Werkzeuge, die wir in unserem Leben verwendet haben, wurden speziell für unsere Finger und Handflächen entwickelt.
Nicht so bei bestehenden Robotern. Derzeit ist eines der am häufigsten verwendeten Roboterhanddesigns, der so genannte „Greifer“, mehr oder weniger identisch mit denen, die in den 1960er-Jahren im Fernsehen vorgestellt wurden: ein Gerät aus zwei steifen Metallfingern, die Gegenstände zwischen sich einklemmen.
In einer kontrollierten Umgebung wie einem Fließband funktionieren solche Geräte einwandfrei. Wenn ein Roboter weiß, dass er jedes Mal, wenn er nach einem bestimmten Teil greift, an derselben Stelle und in derselben Ausrichtung ist, ist es trivial, ihn zu erfassen. „Es ist klar, welche Art von Teil das Förderband herunterkommen wird, was das Erfassen und Wahrnehmen für einen Roboter relativ einfach macht“, bemerkt Jeannette Bohg, Robotikerin an der Stanford University.
Die reale Welt hingegen ist chaotisch und voller Unbekannter. Denken Sie nur an Ihre Küche: Neben dem Spülbecken können sich Geschirrstapel, weiches und zerbrechliches Gemüse im Kühlschrank und mehrere Utensilien in schmalen Schubladen befinden. Aus der Perspektive eines Roboters, sagt Bohg, wäre das Erkennen und Manipulieren dieser Vielzahl von Objekten ein völliges Chaos.
„Das ist in gewisser Weise der Heilige Gral, oder? Sehr oft möchten Sie eine Vielzahl von Objekten manipulieren, die von Menschen üblicherweise manipuliert werden und die von Menschen manipuliert wurden “, sagt Matei Ciocarlie, Robotikforscherin und Maschinenbauingenieurin an der Columbia University. „Wir können Manipulatoren für bestimmte Objekte in bestimmten Situationen bauen. Das ist kein Problem. Vielseitigkeit ist die Schwierigkeit. “
Um mit der Vielzahl einzigartiger Formen und physikalischer Eigenschaften dieser Materialien fertig zu werden - ob sie nun messerförmig sind oder wie ein Stück Plastikfolie verformbar sind -, müsste ein idealer Roboteranhang etwas sein, das dem Ende ähnelt unsere Arme. Selbst bei starren Knochen beugen und beugen sich unsere Hände, wenn wir Gegenstände greifen. Wenn also die Hand eines Roboters dasselbe tun kann, könnte er Objekte in seinem Griff „einfangen“ und sie auf einer Oberfläche bewegen, indem er wie ein Kind auf sie harkt ihre Spielsachen.
Die Entwicklung dieser Vielseitigkeit ist keine Kleinigkeit. Als Ingenieure bei iRobot - dem Unternehmen, das Ihnen den Roomba-Staubsauger brachte - vor einigen Jahren eine flexible „Hand“ mit drei Fingern entwickelten, wurde dies als große Leistung gefeiert. Heute wenden sich Robotiker immer wieder von einer originalgetreuen Nachbildung der menschlichen Hand ab und schauen auf matschige Materialien und bessere Rechenwerkzeuge wie maschinelles Lernen, um sie zu steuern.
Die Suche nach weichen, flexiblen „Händen“
„Menschenähnliche Greifer sind in der Regel viel empfindlicher und teurer, weil Sie viel mehr Motoren haben und sie auf kleinem Raum untergebracht sind“, sagt Dmitry Berenson, der autonome Robotermanipulation an der University of Michigan studiert. „Eigentlich muss man eine Menge Engineering haben, damit es funktioniert, und in der Regel eine Menge Wartung.“ Aufgrund dieser Einschränkungen werden existierende menschenähnliche Hände von der Industrie nicht häufig verwendet.
Damit eine Roboterhand praktisch ist und sogar an die Fähigkeiten eines Menschen heranreicht, muss sie fest, aber flexibel sein. in der Lage sein, Kälte, Hitze und Berührung bei hohen Auflösungen zu spüren; und sei sanft genug, um zerbrechliche Gegenstände aufzunehmen, aber robust genug, um Schlägen standzuhalten. Oh, und obendrein müsste es billig sein.
Um dieses Problem zu umgehen, versuchen einige Forscher, ein fröhliches Medium zu schaffen. Sie testen Hände, die einige unserer eigenen Merkmale imitieren, aber viel einfacher zu entwerfen und zu bauen sind. Jeder verwendet weiche Latex- „Finger“, die von sehnenartigen Kabeln angetrieben werden, die sie öffnen und schließen. Der Vorteil dieser Art von Designs ist ihre buchstäbliche Flexibilität: Wenn sie auf ein Objekt stoßen, können sie sich um dieses quetschen, es zu seiner komplexen Form formen und es ordentlich aufnehmen.
Anstatt unsere Hände zu imitieren, arbeiten einige Forscher an weichen, flexiblen Händen aus Silikon. In diesem Bild kräuseln sich hohle Silikonfinger, wenn sie mit Luft gefüllt sind, und drücken sie um ungewöhnlich geformte Objekte. (J. MORROW ET AL / IEEE INTERNATIONALE KONFERENZ ZU ROBOTIK UND AUTOMATISIERUNG (ICRA) 2016) Solche matschigen „Hände“ bieten eine wesentliche Verbesserung gegenüber einem Hartmetallgreifer. Aber sie fangen erst an, das Problem zu lösen. Ein Gummifinger eignet sich zwar hervorragend zum Aufnehmen aller Arten von Gegenständen, hat jedoch mit Feinmotorik zu kämpfen, die für einfache Aufgaben wie das Einstecken einer Münze in einen Schlitz erforderlich ist. Dabei wird nicht nur die Münze gehalten, sondern auch der Schlitz gefühlt und die Ränder vermieden und schiebe die Münze hinein. Aus diesem Grund, sagt Ciocarlie, ist die Entwicklung von Sensoren, die den Robotern mehr über die Objekte erzählen, die sie berühren, ein ebenso wichtiger Teil des Puzzles.
In unseren eigenen Fingerspitzen sind Tausende einzelner Berührungsrezeptoren in die Haut eingebettet. "Wir wissen nicht wirklich, wie man solche Sensoren baut, und selbst wenn wir das tun, würde es uns sehr schwer fallen, sie zu verdrahten und diese Informationen wieder herauszubekommen", sagt Ciocarlie.
Die schiere Anzahl der erforderlichen Sensoren würde ein zweites, noch kniffligeres Problem aufwerfen: Was ist mit all diesen Informationen zu tun, wenn Sie sie haben? Berechnungsmethoden, mit denen ein Roboter riesige Mengen sensorischer Daten verwenden kann, um seinen nächsten Schritt zu planen, zeichnen sich ab, sagt Berenson. Wenn diese Fähigkeiten jedoch dort eingesetzt werden, wo sie benötigt werden, können sie alle anderen Herausforderungen, denen Forscher bei der Erreichung einer autonomen Manipulation gegenüberstehen, übertreffen. Es ist möglicherweise nicht möglich, einen Roboter zu bauen, der seine „Hände“ schnell und nahtlos benutzt - auch in völlig neuen Situationen -, es sei denn, die Ingenieure können ihm eine Form komplexer Intelligenz verleihen.
Diese Denkkraft ist für viele von uns Menschen eine Selbstverständlichkeit. Um einen Bleistift auf unserem Schreibtisch aufzuheben, greifen wir einfach danach. Beim Abendessen verwenden wir Zangen, Gabeln und Stäbchen, um unser Essen mit Anmut und Präzision zu greifen. Sogar Amputierte, die ihre oberen Gliedmaßen verloren haben, können lernen, Prothesenhaken für Aufgaben zu verwenden, die Feinmotorik erfordern.
„Sie können ihre Schuhe binden, sie können ein Sandwich machen, sie können sich anziehen - alles mit dem einfachsten Mechanismus. Wir wissen also, dass es möglich ist, wenn Sie die richtige Intelligenz dahinter haben “, sagt Berenson.
Maschine einlernen
Das Erreichen dieses Intelligenzniveaus in einem Roboter könnte einen Sprung in die derzeitigen Methoden erfordern, mit denen Forscher sie steuern, sagt Bohg. Bis vor kurzem umfasste die meiste Manipulationssoftware das Erstellen detaillierter mathematischer Modelle realer Situationen und das anschließende Planen der Bewegung mithilfe dieser Modelle durch den Roboter. Ein kürzlich gebauter Roboter, der beispielsweise mit der Montage eines Ikea-Stuhls beauftragt wurde, verwendet ein Softwaremodell, das jedes einzelne Teil erkennt, versteht, wie es mit seinen Nachbarn zusammenpasst, und es mit dem Endprodukt vergleicht. Die Montage kann in etwa 20 Minuten abgeschlossen sein. Bitten Sie es jedoch, ein anderes Ikea-Produkt zusammenzubauen, und es wird völlig durcheinander sein.
Menschen entwickeln Fähigkeiten sehr unterschiedlich. Anstatt tiefes Wissen über ein einziges enges Thema zu haben, absorbieren wir Wissen aus dem Vorbild und der Praxis, verstärken Versuche, die funktionieren, und lehnen diejenigen ab, die dies nicht tun. Denken Sie an das erste Mal zurück, als Sie gelernt haben, wie man eine Zwiebel hackt. Wenn Sie einmal herausgefunden haben, wie man das Messer hält und ein paar Mal in Scheiben schneidet, mussten Sie wahrscheinlich nicht von vorne anfangen, als Sie auf eine Kartoffel stießen. Wie bringt man einen Roboter dazu?
Bohg ist der Ansicht, dass die Antwort möglicherweise in „maschinellem Lernen“ liegt, einer Art iterativem Prozess, der es einem Roboter ermöglicht, zu verstehen, welche Manipulationsversuche erfolgreich sind und welche nicht - und es ihm ermöglicht, diese Informationen für Manöver in Situationen zu verwenden, denen er noch nie begegnet ist.
„Bevor das maschinelle Lernen in die Robotik einstieg, ging es vor allem darum, die Physik der Manipulation zu modellieren und mathematische Beschreibungen eines Objekts und seiner Umgebung zu erstellen“, sagt sie. „Durch maschinelles Lernen können wir einem Roboter eine Reihe von Beispielen für Objekte geben, die jemand mit Anmerkungen versehen hat. Dabei wird Folgendes angezeigt: Hier ist ein guter Ort zum Greifen.“ Ein Roboter könnte anhand dieser Daten aus der Vergangenheit ein völlig neues Objekt betrachten und verstehen, wie es geht begreife es.
Diese Methode stellt eine wesentliche Änderung gegenüber früheren Modellierungstechniken dar, aber es kann eine Weile dauern, bis sie so ausgefeilt ist, dass Roboter ganz von selbst lernen können, sagt Berenson. Vielen vorhandenen Algorithmen für maschinelles Lernen müssen riesige Datenmengen über mögliche Ergebnisse zugeführt werden - wie alle potenziellen Züge in einem Schachspiel -, bevor sie den bestmöglichen Angriffsplan ausarbeiten können. In anderen Fällen benötigen sie möglicherweise Hunderte, wenn nicht Tausende von Manipulationsversuchen an einem bestimmten Objekt, bevor sie über eine funktionierende Strategie stolpern.
Das muss sich ändern, wenn sich ein Roboter so schnell wie möglich bewegen und mit der Welt interagieren soll. Stattdessen, so Berenson, sollte ein idealer Roboter in der Lage sein, neue Fähigkeiten in nur wenigen Schritten durch Ausprobieren zu entwickeln oder neue Aktionen aus einem einzigen Beispiel zu extrapolieren.
Apollo, ein von der Ingenieurin Jeannette Bohg gebauter Roboter, versucht, einen Zylinder über einen Tisch zu bewegen, während sich ein Pappkarton versperrt. In diesem Experiment verschob ein Forscher die Box an neue Stellen auf dem Tisch, als sich der Arm bewegte, und zwang Apollo, seine Flugbahn im Handumdrehen neu zu berechnen. Das durcheinandergebrachte Bild in der unteren rechten Ecke zeigt eine Ansicht aus Apollos Perspektive und verdeutlicht, wie schwierig es für einen Roboter ist, umliegende Objekte zu erkennen und mit ihnen zu interagieren. (Mit freundlicher Genehmigung von Jeannette Bohg) „Die große Frage ist, wie wir die Modelle eines Roboters nicht mit 10 Millionen Beispielen aktualisieren, sondern mit einem ?“, Sagt er. "Um es zu einem Punkt zu bringen, wo es heißt:" OK, das hat nicht funktioniert, also was mache ich als nächstes? " Das ist die eigentliche Lernfrage, die ich sehe. “
Mason, der Robotiker aus Carnegie Mellon, stimmt dem zu. Die Herausforderung, Roboter zu programmieren, um das zu tun, was wir sinnlos tun, fasst er in einem so genannten Moravec-Paradoxon zusammen (benannt nach dem Robotik-Pionier Hans Moravec, der auch bei Carnegie Mellon unterrichtet). Kurz gesagt, was für Menschen schwierig ist, wird oft mühelos von Robotern gehandhabt, aber was für uns selbstverständlich ist, ist unglaublich schwer zu programmieren. Ein Computer kann zum Beispiel besser Schach spielen als jede andere Person - aber es hat sich als erstaunlich schwierig erwiesen, eine Schachfigur zu erkennen und selbst herauszufinden.
Für Mason klingt das immer noch richtig. Trotz der allmählichen Fortschritte, die Forscher bei Robotersteuerungssystemen machen, könnte das Grundkonzept der autonomen Manipulation eine der härtesten Nüsse sein, die das Feld bisher zu knacken hat.
"Rationales, bewusstes Denken ist eine relativ junge Entwicklung in der Evolution", sagt er. „Wir haben all diese anderen mentalen Maschinen, die über Hunderte von Millionen von Jahren die Fähigkeit entwickelt haben, erstaunliche Dinge zu tun, wie Fortbewegung, Manipulation, Wahrnehmung. Doch all diese Dinge geschehen unterhalb der bewussten Ebene.
"Vielleicht ist das, was wir für eine höhere kognitive Funktion halten, wie Schach spielen oder Algebra machen zu können - vielleicht ist dieses Zeug im Vergleich zur Manipulationsmechanik einfach."
Knowable Magazine ist ein unabhängiges journalistisches Unterfangen von Annual Reviews. 
