Business Hadware

Google DeepMind Roboter lernen Geschicklichkeit: Neue KI-Systeme bringen Maschinen auf das nächste Level

Roboter lernen Geschicklichkeit Neue KI-Systeme bringen Maschinen auf das nächste Level

Roboter lernen Geschicklichkeit Neue KI-Systeme bringen Maschinen auf das nächste Level

Tägliche Handlungen wie das Schnüren von Schuhen oder das Anziehen eines Hemds sind für Menschen selbstverständlich – für Roboter jedoch eine komplexe Herausforderung. Um Maschinen in unserem Alltag nützlicher zu machen, müssen sie lernen, besser mit physischen Objekten in dynamischen Umgebungen umzugehen. Mit zwei neuen künstlichen Intelligenz (KI)-Systemen, ALOHA Unleashed und DemoStart, hat das Robotics-Team nun einen bedeutenden Schritt in diese Richtung getan. Diese Systeme ermöglichen es Robotern, komplexe Aufgaben zu meistern, die hochgradige Geschicklichkeit erfordern – sei es das Binden von Schnürsenkeln oder das präzise Einschrauben von Bolzen.

Das musst Du wissen – Roboter-Dexterität: ALOHA Unleashed und DemoStart

  • ALOHA Unleashed: Ermöglicht bi-armen Robotern, komplexe Manipulationsaufgaben wie Schnürsenkel binden oder einen Roboter reparieren durch geringe Anzahl an Demonstrationen zu lernen.
  • DemoStart: Ein Verstärkungslernalgorithmus, der robotische Hände in Simulationen trainiert, benötigt 100x weniger Demonstrationen und erzielt hohe Erfolgsraten.
  • Ergonomie und Hardware-Verbesserungen: Das System nutzt verbesserte Teleoperationstechniken und ein diffusionsbasiertes Lernmodell.
  • Sim-to-Real-Transfer: Durch fortschrittliche Simulationstechniken und progressives Lernen werden Erkenntnisse effizient auf realen Roboteranwendungen übertragen.
  • Kollaboration: DEX-EE – ein robuster dreifingriger Roboter, entwickelt in Zusammenarbeit mit Shadow Robot, zeigt die Innovationskraft dieser Technologie.

ALOHA Unleashed hebt die Entwicklung in der Roboterforschung auf ein neues Level, indem es Bi-Arm-Roboter mit einer bemerkenswerten Geschicklichkeit für Manipulationsaufgaben ausstattet. Vorangegangene Systeme waren auf einarmige Roboter begrenzt, die nur einfache Greif- und Platzierungsaktionen ausführen konnten. Mit ALOHA Unleashed, einer Weiterentwicklung der ALOHA 2 Plattform, wird nun ein fortgeschrittenes System präsentiert, das es Robotern ermöglicht, beispielsweise einen Schnürsenkel zu binden oder eine Küche zu reinigen – und das mit einer beispiellosen Präzision und Flexibilität.

ALOHA 2 selbst basierte auf dem ursprünglichen ALOHA-System der Stanford University, einem kostengünstigen Open-Source-Hardwaresystem für bimanuale Teleoperation. Die neue Version verbessert nicht nur die Ergonomie der Roboter-Hardware, sondern setzt auch eine diffusionsbasierte Methode ein, bei der die Roboteraktionen aus zufälligem Rauschen vorhergesagt werden – ähnlich wie es bei der Bilderzeugung durch das Imagen-Modell geschieht. Dies ermöglicht es Robotern, aus den gesammelten Demonstrationsdaten zu lernen und eigenständig komplexe Aufgaben zu bewältigen.

Auf der anderen Seite arbeitet DemoStart mit einem Verstärkungslernalgorithmus, der es Robotern ermöglicht, sich in komplexen Umgebungen, insbesondere in Simulationen, zu bewegen. Diese Methode erfordert im Vergleich zu traditionellen Ansätzen 100 Mal weniger simulierte Demonstrationen, um Aufgaben zu erlernen. DemoStart lernt dabei sukzessiv von einfacheren zu komplexeren Aufgaben und erreicht hohe Erfolgsraten, sowohl in der Simulation als auch in realen Anwendungen. Beispielsweise erzielte das System eine beeindruckende 97% Erfolgsrate beim Neuausrichten und Anheben von Würfeln sowie eine 64% Erfolgsrate beim Einsetzen eines Steckers in eine Steckdose, eine Aufgabe, die eine hohe Fingerkoordination erfordert.

DemoStart nutzt den offenen Physiksimulator MuJoCo und reduziert durch Techniken wie Domänenrandomisierung die Diskrepanz zwischen Simulation und Realität. Diese „sim-to-real gap“ zu überbrücken, ist entscheidend, um die Effizienz des Wissenstransfers von der virtuellen zur physischen Welt zu maximieren. Durch eine progressive Lernstrategie kann das System automatisch einen Lernplan generieren, der es Robotern ermöglicht, komplexe Aufgaben fast ohne zusätzliche physische Tests zu meistern.

Fazit: Roboter-Dexterität im Aufschwung

Die neuen Systeme, ALOHA Unleashed und DemoStart, markieren einen bedeutenden Fortschritt in der Forschung zur Roboter-Dexterität. Während ALOHA Unleashed die Grenzen des bi-armen Lernens durch innovative Teleoperation und diffusionsbasierte Techniken verschiebt, bringt DemoStart die Effizienz von simuliertem Lernen auf ein neues Niveau. Die Fähigkeit, komplexe Manipulationsaufgaben zu bewältigen und diese nahezu nahtlos von der Simulation auf die physische Welt zu übertragen, könnte der Schlüssel sein, um Roboter in unserem täglichen Leben allgegenwärtig zu machen.

Diese Entwicklungen zeigen, dass wir auf einem klaren Weg sind, Roboter zu schaffen, die nicht nur intelligent, sondern auch bemerkenswert geschickt sind. Die Zukunft der Robotik verspricht eine Welt, in der Maschinen Menschen in verschiedensten Bereichen unterstützen können – sei es im Haushalt, in der Pflege oder in der Industrie. Doch der Weg dorthin bleibt eine Herausforderung, die weitere intensive Forschung und Entwicklung erfordert.

#KI #Robotik #MachineLearning #Dexterität #Simulation

Advances in Robot Dexterity

ALOHA Unleashed Paper Studien-Paper-PDF

ArXiv

GitHub

Die mobile Version verlassen