Ein grosser Sprung für den vierbeinigen Mini-Roboter «Cheetah»

Der vierbeinige Laufroboter «Cheetah» wird immer besser. / Foto mit freundlicher Genehmigung der Forscher
Ein neues Steuerungssystem, das anhand des Mini-Roboters «Cheetah» des MIT demonstriert wurde, ermöglicht es vierbeinigen Robotern, in Echtzeit über unebenes Terrain zu springen.
Ein Gepard rennt über ein hügeliges Feld und springt über plötzliche Lücken in dem zerklüfteten Gelände. Die Bewegung mag mühelos aussehen, aber einen Roboter dazu zu bringen, sich auf diese Weise zu bewegen, ist eine ganz andere Angelegenheit.

In den letzten Jahren haben vierbeinige Roboter, die sich an den Bewegungen von Geparden und anderen Tieren orientieren, grosse Fortschritte gemacht, aber sie bleiben immer noch hinter ihren Säugetierkollegen zurück, wenn es darum geht, sich in einer Landschaft mit schnellen Höhenunterschieden zu bewegen.

«In solchen Situationen muss man sein Sehvermögen einsetzen, um Fehler zu vermeiden. Es ist zum Beispiel schwierig, in eine Lücke zu treten, wenn man sie nicht sehen kann. Es gibt zwar einige Methoden, um das Sehen in die Fortbewegung auf Beinen zu integrieren, aber die meisten davon eignen sich nicht wirklich für den Einsatz bei neuen, agilen Robotersystemen», sagt Gabriel Margolis, Doktorand im Labor von Pulkit Agrawal, Professor am Computer Science and Artificial Intelligence Laboratory (CSAIL) am MIT.

Jetzt haben Margolis und seine Mitarbeiter ein System entwickelt, das die Geschwindigkeit und Wendigkeit von Robotern mit Beinen verbessert, wenn sie über Lücken im Gelände springen. Das neuartige Steuersystem besteht aus zwei Teilen - einem, der Echtzeit-Eingaben von einer an der Vorderseite des Roboters angebrachten Videokamera verarbeitet, und einem anderen, der diese Informationen in Anweisungen für die Bewegung des Roboters umsetzt. Die Forscher testeten ihr System am MIT-"Mini-Cheetah", einem leistungsstarken, wendigen Roboter, der im Labor von Sangbae Kim, Professor für Maschinenbau, gebaut wurde.

Im Gegensatz zu anderen Methoden zur Steuerung eines vierbeinigen Roboters muss bei diesem zweiteiligen System das Gelände nicht im Voraus kartiert werden, so dass der Roboter überall hingehen kann. In der Zukunft könnte der Roboter auf diese Weise in der Lage sein, im Notfall in den Wald zu gehen oder eine Treppe hinaufzusteigen, um einem älteren, eingeschlossenen Menschen Medikamente zu bringen.

Es ist alles unter Kontrolle

Die Verwendung von zwei separaten Steuerungen, die zusammenarbeiten, macht dieses System besonders innovativ.

Eine Steuerung ist ein Algorithmus, der den Zustand des Roboters in eine Reihe von Aktionen umwandelt, die er ausführen soll. Viele blinde Steuerungen - d. h. solche, die das Sehen nicht einbeziehen - sind zwar robust und effektiv, ermöglichen es den Robotern aber nur, über ein zusammenhängendes Gelände zu laufen.

Das Sehen ist ein so komplexer sensorischer Input, dass diese Algorithmen nicht in der Lage sind, ihn effizient zu verarbeiten. Systeme, die das Sehen einbeziehen, sind in der Regel auf eine «Höhenkarte» des Geländes angewiesen, die entweder im Voraus erstellt oder im laufenden Betrieb generiert werden muss - ein Prozess, der in der Regel langsam und fehleranfällig ist, wenn die Höhenkarte falsch ist.

Für die Entwicklung ihres Systems nahmen die Forscher die besten Elemente dieser robusten, blinden Steuerungen und kombinierten sie mit einem separaten Modul, das das Sehen in Echtzeit übernimmt.

Die Kamera des Roboters nimmt Tiefenbilder des bevorstehenden Geländes auf, die zusammen mit Informationen über den Zustand des Roboterkörpers (Gelenkwinkel, Körperausrichtung usw.) an eine übergeordnete Steuerung weitergeleitet werden. Die übergeordnete Steuerung ist ein neuronales Netz, das aus Erfahrungen «lernt».

Dieses neuronale Netz gibt eine Zieltrajektorie aus, die der zweite Controller verwendet, um Drehmomente für jedes der 12 Gelenke des Roboters zu ermitteln. Dieser Low-Level-Controller ist kein neuronales Netz und stützt sich stattdessen auf eine Reihe präziser, physikalischer Gleichungen, die die Bewegung des Roboters beschreiben.

«Die Hierarchie, einschliesslich des Einsatzes dieses Low-Level-Controllers, ermöglicht es uns, das Verhalten des Roboters einzuschränken, so dass er sich besser benehmen kann. Mit diesem Low-Level-Controller verwenden wir gut spezifizierte Modelle, denen wir Beschränkungen auferlegen können, was bei einem lernenden Netzwerk normalerweise nicht möglich ist», sagt Margolis.

Dem Netzwerk beibringen

Zum Trainieren des High-Level-Controllers verwendeten die Forscher die Trial-and-Error-Methode, die als Reinforcement Learning bekannt ist. Sie führten Simulationen durch, in denen der Roboter über Hunderte von verschiedenen, unregelmässigen Terrains lief und für erfolgreiche Überquerungen belohnt wurde.

Mit der Zeit lernte der Algorithmus, welche Aktionen die Belohnung maximierten.

Dann bauten sie ein physisches, lückenhaftes Gelände mit einer Reihe von Holzplanken und testeten ihr Kontrollschema mit dem "Mini-Cheetah".

«Es hat wirklich Spass gemacht, mit einem Roboter zu arbeiten, der von einigen unserer Mitarbeiter am MIT entwickelt wurde. "Cheetah" ist eine grossartige Plattform, weil er modular aufgebaut ist und grösstenteils aus Teilen besteht, die man online bestellen kann. Wenn wir also eine neue Batterie oder eine neue Kamera brauchten, mussten wir sie nur bei einem regulären Lieferanten bestellen und mit ein wenig Hilfe aus Sangbaes Labor einbauen», sagt Margolis.

Die Schätzung des Roboterzustands erwies sich in einigen Fällen als Herausforderung. Anders als in der Simulation stossen die Sensoren in der realen Welt auf Rauschen, das sich anhäufen und das Ergebnis beeinflussen kann. Bei einigen Experimenten, die eine hochpräzise Platzierung der Füsse erforderten, verwendeten die Forscher daher ein Motion-Capture-System, um die tatsächliche Position des Roboters zu messen.

Ihr System übertraf andere Systeme, die nur einen Controller verwenden, und der "Mini-Cheetah" überquerte 90 Prozent des Geländes erfolgreich.

«Eine Neuheit unseres Systems ist, dass es den Gang des Roboters anpasst. Wenn ein Mensch versuchen würde, über eine sehr grosse Lücke zu springen, würde er vielleicht zuerst sehr schnell laufen, um Geschwindigkeit aufzubauen, und dann beide Füsse zusammennehmen, um einen wirklich kraftvollen Sprung über die Lücke zu machen. Auf dieselbe Weise kann unser Roboter den Zeitpunkt und die Dauer seiner Fusskontakte anpassen, um das Gelände besser zu überqueren», sagt Margolis.

Sprung aus dem Labor

Die Forscher konnten zwar nachweisen, dass ihr Kontrollschema im Labor funktioniert, aber sie haben noch einen langen Weg vor sich, bevor sie das System in der realen Welt einsetzen können, sagt Margolis.
(fest/pd)
publiziert: Donnerstag, 21. Oktober 2021 / 14:35 Uhr , aktualisiert: Donnerstag, 21. Oktober 2021 / 14:42 Uhr
Bundesgericht kippt Pentagon-Entscheidung gegen Anthropic

Bundesgericht kippt Pentagon-Entscheidung gegen Anthropic

Ein US-Bundesgericht hat die umstrittene Einstufung von Anthropic als Sicherheitsrisiko vorerst gestoppt. Richterin Rita Lin wertete das Vorgehen des Pentagons als rechtswidrig und unbegründet, da es wesentliche verfassungsrechtliche Grundrechte verletze. Dieses Urteil entfacht eine grundlegende Debatte über die Grenzen staatlicher Beschaffungsmacht gegenüber privaten Softwareanbietern.
weiterlesen
GEO-Agentur auswählen: neun Kriterien, die den Unterschied machen

GEO-Agentur auswählen: neun Kriterien, die den Unterschied machen

Das Wichtigste in Kürze: Eine GEO-Agentur sorgt dafür, dass ein Unternehmen in den Antworten von ChatGPT, Perplexity, Google Gemini und den KI-Übersichten der Google-Suche vorkommt. Weil es dort keine Positionen und keine öffentliche Rangliste gibt, lassen sich Leistungsversprechen kaum von aussen prüfen. Wer trotzdem sicher auswählen will, bewertet neun konkrete Kriterien und stellt im Erstgespräch sieben Fragen, deren Antworten sich nachprüfen lassen.
weiterlesen
Claude Mythos: Wenn die KI unerlaubt das Labor verlässt
Für Veröffentlichung zu gefährlich

Claude Mythos: Wenn die KI unerlaubt das Labor verlässt

Anthropic hat ein KI-Modell entwickelt, das völlig eigenständig Sicherheitslücken findet. Nach einem Ausbruch im Labor bleibt die Software unter Verschluss. Dies geschieht vor dem Hintergrund massiver politischer Spannungen, nachdem die US-Regierung das Unternehmen Anfang März sanktionierte.
weiterlesen
Ein beispielloser Millionenbetrug mit künstlich generierter Musik landet vor Gericht

Ein beispielloser Millionenbetrug mit künstlich generierter Musik landet vor Gericht

Ein historischer Fall von Streaming-Betrug erschüttert die Musikwelt. Durch den massenhaften Einsatz von Künstlicher Intelligenz und Bots erbeutete ein Täter Millionen an Tantiemen. Dieser Diebstahl aus dem gemeinsamen Topf schadet echten Musikschaffenden massiv.
weiterlesen
Eskalation um militärische KI: US-Regierung will Anthropic zerstören
Regierungsaufträge gehen an OpenAI

Eskalation um militärische KI: US-Regierung will Anthropic zerstören

Die US-Regierung beendet die Kooperation mit Anthropic und überträgt KI-Aufträge an OpenAI. Der Streit über die Einsatzgrenzen der Software Claude offenbart tiefe Risse in der Technologiebranche. Während das Militär Kontrolle fordert, warnen Entwicklungsunternehmen vor unkalkulierbaren Risiken.
weiterlesen
Innovation der EPFL ermöglicht zeitlich unbegrenzte und stabile generative Videos

Innovation der EPFL ermöglicht zeitlich unbegrenzte und stabile generative Videos

Ein Team der EPFL hat eine Methode entwickelt, die das bisherige zeitliche Limit generativer Videos effektiv aufhebt. Bisher verloren künstlich erzeugte Clips oft nach wenigen Sekunden an Kohärenz. Durch das bewusste Trainieren mit eigenen Fehlern lernt die künstliche Intelligenz nun, sich selbst zu stabilisieren, was den Weg für konsistente Videoinhalte ohne zeitliche Begrenzung ebnet.
weiterlesen
Die asymmetrische Antwort: Wie DeepSeek die KI-Ökonomie neu justiert und auf Version 4.0 zusteuert

Die asymmetrische Antwort: Wie DeepSeek die KI-Ökonomie neu justiert und auf Version 4.0 zusteuert

Ein Jahr nach dem «DeepSeek-Schock» hat sich der Staub gelegt, doch die Industrie ist eine andere. Die chinesische KI-Schmiede bewies mit den Modellen V3 und R1, dass Ingenieurskunst fehlende Hardware kompensieren kann. Nun richtet sich der Fokus auf 2026 und die nächste Generation: DeepSeek 4.0 soll die Grenzen zwischen synthetischen Daten und logischer Deduktion endgültig auflösen. Eine Bilanz und eine Prognose.
weiterlesen
Zwischen Höhenrausch und Hitzestau: Der neue 3D-Chip als Hoffnungsträger der KI

Zwischen Höhenrausch und Hitzestau: Der neue 3D-Chip als Hoffnungsträger der KI

US-Ingenieure feiern den ersten kommerziell gefertigten 3D-Chip als Durchbruch gegen die «Memory Wall». Die vertikale Architektur verspricht enorme Temposprünge für Künstliche Intelligenz. Doch während die Technikbranche jubelt, mahnen Kritiker zur Vorsicht: Führt mehr Effizienz wirklich zu weniger Verbrauch oder befeuert sie nur den Hunger nach noch gigantischeren Modellen?
weiterlesen
Neuordnung im KI-Sektor: Apple setzt auf Google Gemini für Siri-Upgrade

Neuordnung im KI-Sektor: Apple setzt auf Google Gemini für Siri-Upgrade

Apple vollzieht eine strategische Wende: Für die Modernisierung der Sprachassistenz Siri lizenziert der iPhone-Konzern das KI-Modell Gemini von Google. Diese milliardenschwere Partnerschaft definiert die Kräfteverhältnisse neu und setzt Konkurrenten wie OpenAI, die ebenfalls im Gespräch waren, unter erheblichen strategischen Druck.
weiterlesen
Googles Chip-Offensive: Wie der TPU «Ironwood» den KI-Markt neu aufstellt

Googles Chip-Offensive: Wie der TPU «Ironwood» den KI-Markt neu aufstellt

Nvidia dominiert den Markt für KI-Chips, doch Google holt auf. Der Tech-Riese ist nicht nur Kunde, sondern auch Entwickler. Mit «Ironwood», der siebten Generation der hauseigenen Tensor Processing Units (TPUs), bringt Google nun seinen bisher leistungsstärksten Chip an den Start. Dieser Schritt könnte die Kräfteverhältnisse im Wettlauf um die KI-Rechenleistung verschieben.
weiterlesen