Was Roboter beim Abwaschen lernen können

Anbieter zum Thema

TU München

OKW Odenwälder Kunststoffwerke Gehäusesysteme GmbH

Bürklin GmbH & Co. KG

MES Electronic Connect GmbH & Co. KG

Damit Roboter künftig komplexe Aufgaben übernehmen können, müssen sie ihre Handlungen verstehen. Prof. Gordon Cheng von der TU München erklärt am Beispiel „Abwaschen“ das zweckbewusste Lernen.

Roboter sollten den Zweck der Handlungen von Menschen verstehen, um von ihnen zu lernen. Das sagt Gordon Cheng, Professor für Kognitive Systeme an der Technischen Universität München (TUM). Anders als bisherige Ansätze macht zweckbewusstes Lernen oder auch Purposive Learning Roboter flexibler und sie eignen sich besser für die direkte Kooperation mit dem Menschen.

Unter dem zweckbewussten Lernen versteht Cheng, dass Menschen und Tiere drei Grundstrategien anwenden, wenn sie andere imitieren und dabei von ihnen lernen. Der erste Ansatz ist erscheinungsbasiert. Das bedeutet, dass Menschen versuchen, Bewegungen exakt nachzuahmen. Die zweite Strategie ist aktionsbasiert, hier konzentriert man sich darauf, zu lernen, welche Aktionen auszuführen sind. Zweckbewusstes Lernen ist der dritte Ansatz, darunter versteht man, den Zweck einer Handlung zu begreifen. Das erleichtert es uns, von anderen zu lernen und es macht uns auch flexibler beim Ausführen der Handlungen.

Roboter aktionsbasiert programmieren

Hier führt Cheng ein simples Beispiel an: Beim Abwaschen verfolgen wir das Ziel, am Ende saubere Teller und Tassen zu haben. Wir können uns problemlos an unterschiedlich eingerichtete Küchen, an verschiedene Bürsten und Schwämme und an eine Vielfalt an Geschirr und Besteck anpassen. Den Zweck einer Handlung zu kennen, macht uns extrem effektiv.

„Will man einem Roboter eine Aufgabe beibringen, ist es sinnlos, erscheinungsbasiert zu arbeiten, ihn also einen Menschen direkt imitieren zu lassen. Schon der Körper der meisten Roboter ist ja ganz anders geformt, als unserer. Würde man die Bewegungen eines Menschen beim Abwaschen eins zu eins auf einen Roboter übertragen, hätte man am Ende vermutlich einen zerbrochenen Teller. Würde man dagegen aktionsbasiert arbeiten und die einzelnen Bewegungen des Roboters programmieren, könnte er einen Teller effektiv abwaschen. Reicht man ihm aber eine Tasse oder nur einen Teller in einer anderen Größe, wird er scheitern“, erläutert es Cheng.

Ein zweckbasierter Ansatz könnte einem Roboter weiterhelfen, ist sich Cheng sicher. Denn die Grundidee ist es, ihm Wissen zu vermitteln und die Fähigkeit zu geben, anhand dieses Wissens eigenständig eine Schlussfolgerung zu ziehen. „Um noch einmal das Beispiel mit dem Abwasch zu bemühen: Der Roboter bekommt eine generelle Vorstellung von Geschirr und davon, was sauber bedeutet und wüsste, welche Handgriffe nötig sind, um sauberes Geschirr zu erhalten.“ Da der Roboter weiß, dass Tassen und Teller Objekte sind, kann er seine Strategie entsprechend anpassen.

Beziehungen zwischen Objekten und Aktionen

Es stellt sich allerdings die Frage, wie man einem Roboter dieses Wissen vermittelt. „Die Welt, wie wir sie wahrnehmen, lässt sich in Ontologien ausdrücken, in Beziehungen zwischen Objekten und unseren Aktionen. Wir können für jedes Objekt mögliche und wahrscheinliche Aktionen nennen. Wir wissen, welche Aktionen unser Arm ausführen kann, unsere rechte Hand, jedes einzelne Glied unserer Finger. Ähnliches gilt für andere Objekte. Mit einem Spülschwamm werden wir keine Wurst schneiden. Ontologien, die wir mit anderen teilen, machen es sehr einfach, Aktionen zu erklären.“

Was einfach klingt, ist in der Welt der Robotik noch lange nicht umgesetzt. Sind jetzt gigantische Beziehungs-Datenbanken notwendig? Chang sagt, es hilft, eine große Zahl an Menschen bei einer Aufgabe zu beobachten und die Handlungen zu analysieren. „Wir nutzen tatsächlich Abwaschen als eine Möglichkeit, um Wissen zu generieren. Wir haben eine Küche mit Spüle in einer Virtual-Reality-Umgebung erstellt und lassen viele verschiedene Menschen mit ihren unterschiedlichen Körpern und Abwasch-Techniken virtuelles Geschirr spülen. Durch spezielle Software ist es möglich, ihre Handlungen in eine Aneinanderreihung von Aktionen zu unterteilen und verwertbare Daten zu generieren.“

Mensch-Roboter-Kooperaton in der Industrie

Stellt sich jetzt die Frage, muss für jede neu erlernte Aufgabe wieder von vorne begonnen werden? Das verneint Cheng, denn sobald eine Beziehungs-Datenbank erstellt ist, lässt sie sich für andere Aufgaben nutzen. „Wissenschaftler erstellen solche Common-Sense-Datensammlungen schon seit einiger Zeit. In vielen Fällen existiert schon eine Datenbank für die Grundlagen, auf der man aufbauen kann.“

„Die Möglichkeit, menschliche Handlungen auseinanderzunehmen und Maschinen beizubringen, ihren Zweck zu erkennen, eröffnet viele neue Möglichkeiten. Ein Thema, das in Zukunft interessant werden könnte, ist Mensch-Roboter-Kooperation in der Industrie. Sobald eine Maschine versteht, was ein Mensch tut und welches seine nächste Handlung sein wird – oder sein sollte – kann sie viel effektiver Unterstützung leisten.“

Fühlende Maschine – Roboter in der Industrie mit eingebautem Tastsinn

Computer lernen, menschliche Emotionen natürlich zu interpretieren

(ID:45707779)