Walk like a robot

Wie die Roboter laufen lernen

Die Zweibeiner und Vierbeiner unter den Robotern haben viele Vorteile, zum Beispiel sind sie besser der menschlichen Umgebung angepasst.

Roboter macht Backflip

Backflip: Atlas holt Schwung

Der T-800, die Replikanten, die Zylonen, C-3PO, Lt. Commander Data – viele der ikonischen Roboter aus Film und Fernsehen sind Zweibeiner, die an Menschen erinnern. Sie bestimmen das Bild der Roboter in der Alltagskultur. Der schlichte Grund: Es ist leichter, einen Menschen roboterartig zu kostümieren, als ein funktionierendes Modell zu konstruieren. Denn nichts ist schwieriger, als einer Maschine beizubringen, auf zwei Beinen zu gehen.

Roboter mit Rädern oder Rollen dagegen sind bereits in einigen Anwendungsnischen erfolgreich, als Mäh- oder Saugroboter, als Überwachungsroboter in der Sicherheitsbranche, als autonomer Transporter in Fabriken und in der Intralogistik oder als autonomer Rollkoffer, der den Besitzern folgt. Doch sie haben Grenzen, weswegen viele Hersteller für die Entwicklung von kommerziellen Robotern Beine bevorzugen.

So sind Roboter mit Beinen zum Beispiel besser an die typischen Alltagsumgebungen von Menschen angepasst. Ein Haushaltsroboter, der wegen seiner Rollen keine Treppe steigen kann, ist nicht besonders flexibel einsetzbar. Ein weiteres Anwendungsgebiet von Robotern mit Beinen ist die Erkundung eines Geländes oder Gebäudes. Auch hier sind Räder kaum von Nutzen. Doch trotzdem sind fast alle bisher im Markt eingeführten Roboter mit Rollen ausgestattet.

Zweibeiner brauchen aufrechte Haltung

Denn Gehen ist keine einfache Aufgabe, vor allem auf zwei Beinen. Die Robotik hat sogar eine erstaunlich lange Zeit gebraucht, um wirklich funktionierende Vierbeiner zu entwickeln. Die besten Beispiele dafür stammen von Boston Dynamics und aus dem Massachusetts Institute of Technology. Gemeinsam ist diesen beiden Geräten, dass sie nur recht einfach konstruierte Beine haben – ohne Füße, die dem Ganzen noch einmal einige Schwierigkeitsgrade hinzugefügt hätten.

Vierbeinige Roboter haben ein Knie- und ein Hüftgelenk und nutzen beides sehr dynamisch. Sie stehen nicht mit durchgestreckten, sondern mit leicht angewinkelten Beinen. Das ist so ähnlich wie bei Insekten, doch das Knie zeigt nach hinten - praktischer beim Treppensteigen. Damit überwinden sie recht widriges Terrain und sind im Gelände Fahrzeugen oder Robotern mit Rädern überlegen. Zudem können sie auch hüpfend Hindernisse überwinden.

Das zweibeinige Gehen ist jedoch eine ganz andere Sache, denn der Roboter muss sich zusätzlich aufrecht halten. Das ist nicht besonders einfach, wie diese sehr schöne Kollektion von purzelnden Bots zeigt. Ganz anders dagegen der zweibeinige Atlas von Boston Dynamics, der seit einiger Zeit Backflips und Parkour beherrscht. Zwischen den „Failing Robots“ und dem recht elegant über die Hindernisse hüpfenden Atlas liegen einige Jahre, sehr viel Erfahrung in der Weiterentwicklung von Robotik-Software und ganz andere technische Konzepte.

Durch Versuch und Irrtum gehen lernen

Das Video von Agility Robotics zeigt, dass die Bewegung auf zwei Beinen eine Frage von Dynamik und „Körperspannung“ ist. Die einzelnen Gelenke eines Roboters müssen dynamisch auf Hindernisse reagieren. Bei Agility Robotics beispielsweise werden keine Kameras genutzt. Der Roboter läuft blind und erkennt Hindernisse erst dann, wenn einer seiner beiden Füße darauf trifft. Durch Sensoren erkennt der Roboter, dass er sein Bein nicht weiterbewegen kann und das nächste Bein nun ebenfalls auf ein Hindernis treffen wird.

In der Realität ist es noch ein wenig komplexer und es gibt die Gefahr, regelmäßig teuren Elektroschrott zu erzeugen. Aus diesem Grunde werden gehende Roboter oft in Simulationen trainiert. Dabei werden häufig zwei Technologien eingesetzt: evolutionäre Algorithmen und Reinforcement Learning. Beim ersten Verfahren werden zufällige Bewegungen der Beine erzeugt. Sie werden nun anhand ihres Erfolges in eine Verbesserungsschleife geschickt und dann durch Rekombination und Zufall verändert. In jeder neuen Generation wird der erfolgreichste Bewegungsablauf auf diese Weise weiterentwickelt, bis der Robot tatsächlich gehen kann.

Das zweite Verfahren nutzt ein neuronales Netzwerk, bei dem jede ausgeführte Bewegung ein positives oder negatives Ergebnis hat und das Lernmodell die positiven Ergebnisse verstärkt. Dadurch kann der Roboter ein optimales Verhalten durch Versuch und Irrtum herausfinden. Das ist vor allem für komplexe Bewegungen sehr sinnvoll. Ein Beispiel aus der Welt der Menschen: Beim Dart Punkte zu erreichen ist nicht einfach. Menschen lernen es am einfachsten durch Übung, also durch schlichte Wiederholung. Roboter ebenso.

Bildquelle: Boston Dynamics

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok