Aktuelle Fortschritte in der Künstlichen Intelligenz (KI), insbesondere in den Bereichen Reinforcement Learning und große Foundation Models, treiben die Entwicklung autonomer Roboter maßgeblich voran. Ziel ist es, Roboter zu schaffen, die eine Vielzahl von Aufgaben in unstrukturierten Umgebungen selbstständig bewältigen können, weit über die bisherigen Fähigkeiten hinaus.
Historische Entwicklung der Roboter-Autonomie
Die Vision der Roboter-Autonomie hat sich in den letzten Jahrzehnten erheblich gewandelt. Noch vor etwa 15 Jahren konzentrierten sich Projekte, wie das von Matt Malchano, Vizepräsident für Software bei Boston Dynamics, darauf, einem Roboter die Navigation von Punkt A nach Punkt B beizubringen. Dies stand im Kontrast zu früheren Herausforderungen, die selbst grundlegende Bewegungen betrafen: Der experimentelle Stanford Cart benötigte 1979 fünf Stunden, um 20 Meter in einem Hindernisparcours zurückzulegen. Der erste zweibeinige Roboter, der 1996 selbstständig balancieren und gehen konnte, markierte einen weiteren Meilenstein.
Die Internationale Organisation für Normung (ISO) definiert Autonomie in der Robotik als die Fähigkeit, beabsichtigte Aufgaben auf der Grundlage des aktuellen Zustands und der Sensorik ohne menschliches Eingreifen auszuführen. Dieses Ziel hat sich laut Malchano ständig weiterentwickelt, um Roboter immer größere Teilmengen menschlicher Fähigkeiten ohne direkte Aufsicht zu ermöglichen.
KI als Katalysator für neue Fähigkeiten
Die Einführung von Reinforcement Learning in den 2010er Jahren und von großen Foundation Models, die in den 2020er Jahren auf riesigen Datenmengen trainiert wurden, hat die Möglichkeiten der Robotik grundlegend erweitert. Diese Technologien ermöglichen es Robotern, Aufgabenabfolgen zu verstehen und in komplexen, unvorhersehbaren Umgebungen zu agieren. Mehrere Forschungslabore und Unternehmen arbeiten derzeit intensiv daran, solche vielseitigen Roboter zu entwickeln.
Im Gegensatz zu den Millionen von Industrierobotern, die bereits spezifische Aufgaben in den kontrollierten Umgebungen von Fabriken und Lagern ausführen, sollen diese neuen Roboter in der Lage sein, in unstrukturierten Umfeldern zuverlässig zu funktionieren. Sergey Levine, Informatiker an der University of California Berkeley und Mitbegründer des KI- und Robotikunternehmens Physical Intelligence, beschreibt dies als den Übergang von einer grundlegenden, fabrikbezogenen Autonomie zu einer, die am Rande des derzeit Machbaren liegt.
Zukünftige Formen und Herausforderungen
Zukünftige autonome Roboter müssen nicht zwangsläufig humanoid aussehen. Levine geht davon aus, dass ein allgemeines KI-Modell verschiedene Robotertypen antreiben wird, die jeweils für ihre spezifische Aufgabe optimiert sind. Dies könnte von kleinen Roboterarmen für beengte Wohnungen bis hin zu großen, schweren Robotern für landwirtschaftliche Arbeiten reichen.
Die Entwicklung solcher Roboter erfordert jedoch erhebliche technologische Fortschritte. Sie müssen in der Lage sein, komplexe Umgebungen wahrzunehmen, robuste motorische Fähigkeiten zu besitzen, grundlegende Fehler zu überwinden, Anweisungen von Menschen zu verarbeiten und ihr Verhalten zu verallgemeinern, um neue Situationen zu bewältigen.
Forscher setzen dabei auf eine Kombination aus KI-Techniken: Reinforcement Learning trainiert Roboter durch Ausprobieren, ähnlich dem Üben eines Tennisaufschlags. Foundation Models, die auf großen Mengen visueller und textueller Daten vorab trainiert wurden, liefern ein grundlegendes Weltwissen, das Robotern hilft, angemessener zu reagieren und Fehler zu vermeiden. Der Schlüssel zum Erfolg liegt darin, eine kritische Masse an Daten zu sammeln, um die Generalisierungsfähigkeit zu gewährleisten. Eine Herausforderung bleibt die Beschaffung ausreichender und relevanter Trainingsdaten für physische Roboteraufgaben, da Methoden wie Teleoperation oder umfangreiche Labortests kostspielig und zeitaufwendig sind.
Thema: Technologie / KI allgemein. Quelle/Inspiration: Ars Technica.