Zwar ist es Robotikern gelungen, Roboter im Labor zu beeindruckenden Leistungen wie Parkour zu bringen, doch all dies wurde sorgfältig geplant und in einer streng kontrollierten Umgebung durchgeführt. Einen Roboter autonom im eigenen Zuhause arbeiten zu lassen, ist immer noch etwas beunruhigend, insbesondere in Haushalten mit Kindern und Haustieren. Darüber hinaus variieren die Häuser in ihrem Design und die Anordnung der Räume und Objekte ist noch vielfältiger.
Unter Robotikexperten gibt es eine weithin anerkannte Ansicht, die als „Moravecs Paradox“ bekannt ist: Was für Menschen schwer ist, ist für Maschinen leicht, und was für Menschen leicht ist, ist für Maschinen schwer. Doch dank künstlicher Intelligenz (KI) ändert sich das. Roboter können allmählich Aufgaben wie Wäsche zusammenlegen, kochen und Einkaufskörbe ausräumen übernehmen, die vor nicht allzu langer Zeit für Roboter als nahezu unmöglich galten.
Laut der neuesten Ausgabe der MIT Technology Review befindet sich die Robotik als Fachgebiet an einem Wendepunkt: Roboter verlassen die Labore und halten Einzug in Millionen Haushalte. Die Robotik steht kurz vor ihrem eigenen Höhepunkt.
Heimroboter dürfen nicht zu teuer sein
Roboter waren in der Vergangenheit gleichbedeutend mit hohen Kosten. Hochkomplexe Modelle kosteten Hunderttausende von Dollar und waren damit für die meisten Familien unerschwinglich. PR2 beispielsweise, einer der ersten Heimroboter, wog 200 Kilogramm und kostete 400.000 USD.
Glücklicherweise taucht allmählich eine neue Generation günstigerer Roboter auf. Stretch3, ein neuer Heimroboter des US-Startups HelloRobot, ist mit 24.950 Dollar und einem Gewicht von 24,5 Kilogramm deutlich preiswerter. Er verfügt über eine kleine mobile Basis, einen Joystick, an dem eine Kamera hängt, einen verstellbaren Arm und eine Halterung mit einem Saugnapf am Ende, der über eine Steuerung gesteuert werden kann.
Unterdessen hat ein Forscherteam der Stanford University in den USA ein System namens MobileALOHA (Low-Cost Open Source Hardware for Remote Operation) entwickelt, mit dem ein Roboter mithilfe von nur 20 Daten, darunter menschliche Demonstrationen, das Garnelenkochen erlernen kann. Das Team verwendete handelsübliche Komponenten, um einen preisgünstigeren Roboter zu bauen, der allerdings ebenfalls Zehntausende von Dollar kostete, während frühere ähnliche Modelle leicht Hunderttausende von Dollar kosten konnten.
KI baut ein „universelles Robotergehirn“
Was diese neuen Roboter von ihren „Vorgängern“ unterscheidet, ist eigentlich ihre Software. Dank des KI-Booms verlagert sich der Schwerpunkt der Technologie nun von teuren Robotern, die körperliche Geschicklichkeit erreichen, auf neuronale Netzwerke, die das „universelle Robotergehirn“ bilden.
Robotikexperten nutzen Deep Learning und neuronale Netzwerke, um „Gehirn“-Systeme zu schaffen, die aus der Umgebung lernen und das Roboterverhalten in Anwendungen entsprechend anpassen können, anstatt die traditionelle sorgfältige Planung und mühsame Schulung durchzuführen.
Im Sommer 2023 stellte Google RT-2 vor, ein Vision-Verbal-Action-Modell, das aus Online-Texten und -Bildern, die zum Training verwendet werden, sowie aus seinen eigenen Interaktionen ein allgemeines Verständnis der Welt gewinnt und diese Daten in Roboteraktionen umsetzt.
Das Team des Toyota Research Institute, der Columbia University und des MIT hat Robotern mithilfe einer KI-Lerntechnik namens Imitationslernen sowie generativer KI bereits schnell viele neue Aufgaben beigebracht. Dieser Ansatz wird die Ausweitung generativer KI-Techniken vom Bereich Text, Bilder und Video auf den Bereich der Roboterbewegung vorantreiben.
Covariant, ein Startup, das aus der inzwischen geschlossenen Robotik-Forschungsabteilung von OpenAI hervorgegangen ist, hat stattdessen ein multimodales Modell namens RFM-1 entwickelt, das Hinweise aus Text, Bildern, Videos und Roboterbefehlen akzeptiert. Generative KI ermöglicht es Robotern, Anweisungen zu verstehen und Bilder oder Videos zu diesen Aufgaben zu generieren.
Mehr Daten führen zu intelligenteren Robotern
Die Stärke großer KI-Modelle wie GPT-4 liegt darin, große Datenmengen aus dem Internet zu horten. Dies gilt jedoch nicht für Roboter, die speziell für sie gesammelte Daten benötigen. Sie benötigen physische Demonstrationen, wie man Waschmaschinen und Kühlschränke öffnet, einen Teller hochhebt oder Wäsche zusammenlegt. Derzeit sind diese Daten sehr knapp und das Sammeln dauert lange.
Google Deep Mind hat ein neues Programm namens Open Source X-Embodiment Collaboration gestartet, um das zu ändern. Letztes Jahr arbeitete das Unternehmen mit etwa 150 Forschern in 34 Laboren zusammen, um Daten von 22 verschiedenen Robotern zu sammeln, darunter Stretch 3 von HelloRobot. Der daraus resultierende Datensatz, der im Oktober 2023 veröffentlicht werden soll, wird 527 Fähigkeiten des Roboters enthalten, wie etwa Aufheben, Schieben und Bewegen.
Es gibt auch einen Roboter namens RT-X, für den die Forscher speziell zwei Versionen des Modells gebaut haben, die sowohl lokal auf Computern in verschiedenen Laboren ausgeführt als auch über das Internet abgerufen werden können.
Das größere, webbasierte Modell wurde mit Internetdaten vortrainiert, um aus umfangreichen Sprach- und Bildmodellen „visuellen gesunden Menschenverstand“ zu entwickeln. Wenn Forscher das RT-X-Modell auf vielen verschiedenen Robotern laufen lassen, stellen sie fest, dass diese Roboter beim Erlernen von Fähigkeiten 50 % erfolgreicher sind als Systeme, die unabhängig voneinander in jedem Labor entwickelt wurden.
Kurz gesagt: Mehr Daten sorgen für intelligentere Roboter.