Dribbelkünstler der robotischen Art: US-Forscher haben einen Roboter entwickelt, der einen Fußball auf fast jedem Terrain dribbeln kann. Der vierbeinige DribbleBot lernt selbst, wie sich der Ball auf Gras, Schnee oder glattem Untergrund verhält, und passt sein Lauf- und Dribbelverhalten entsprechend an. Die hinter diesen Fähigkeiten steckende Technik kann dabei helfen, beispielsweise lernfähige Erkundungsroboter für unwegsames Terrain zu entwickeln.
Ob als autonome Drohne für die Höhlenkartierung, als Müllsammler am Meeresgrund oder als Assistent und Suchhelfer im Haushalt: Dank neuer Techniken des maschinellen Lernens können viele Roboter bereits selbstständig Aufgaben erledigen, ihren Weg finden oder sich an ihre Umwelt anpassen. Sogar erste Formen der Eigenwahrnehmung und Selbsteinschätzung haben Roboterhirne schon entwickelt. Nicht selten führte der Weg zu neuen Entwicklungen dabei über spielerische Tests – beispielsweise in Form robotischer Fußballer.
Ein Roboter für jedes Terrain
Einen neuen Vertreter der lernfähigen, wendigen und anpassungsfähigen Roboter haben nun Forscher des Massachusetts Institute of Technology (MIT) unter Leitung von Pulkit Agrawal entwickelt. Ihr Ziel war es, einen vierbeinigen Roboter zu konstruieren, der sein Verhalten selbstständig an die Gegebenheiten des Untergrunds anpassen kann. Als zusätzliche Erschwernis sollte ihr Roboter dies nicht nur beim Laufen beherrschen, sondern auch, wenn er parallel das Verhalten eines anderen Objekts berücksichtigen muss – in diesem Fall eines Fußballs.
„Bei einer Katastrophe wie einem Erdbeben oder einer Überschwemmung sollen Roboter beim Rettungs- und Bergeprozess helfen. Deshalb muss die Maschine auch Terrain durchqueren können, das nicht eben ist und das rollende Roboter nicht bewältigen können“, erklärt Agrawal. „Unser Ziel bei der Entwicklung von Algorithmen für laufende Roboter ist es, ihnen auch in komplexem, herausforderndem Terrain Autonomie zu verleihen.“
Training in virtueller Umgebung
Das Ergebnis der Forschung ist der DribbleBot: Dieser vierbeinige Roboter nutzt verschiedene Sensoren und Kameras, um seine Umgebung und den Untergrund zu erfassen. Ein neuronales Netzwerk ermöglicht es ihm im Laufe seines Trainings, auf Basis dieser Informationen selbst zu lernen, wie er sich über verschiedene Untergründe wie Schlamm, Schnee, Rasen, Sand oder glattes Pflaster bewegen muss – und wie er sein Dribbeln an das Verhalten des Fußballs auf diesem Untergrund anpassen muss.
Möglich wird dies durch ein vorgeschaltetes virtuelles Training: Das Computergehirn des Roboters wird in eine Simulation eingeklinkt, in der es allmählich lernt, sich und den Ball zu bewegen. Im Rahmen des sogenannten Reinforcement-Lernens wird eine richtige Aktion belohnt, eine falsche als negativ bewertet. „Mit der Zeit lernt der Roboter dadurch, seine Motorik immer besser zu beherrschen und auch den Fußball so zu manipulieren, dass er sich wie gewünscht vorwärtsbewegt“, erklärt Koautor Gabe Margolis vom MIT.
Gute Ballführung auf Sand, Gras oder Schnee
Als Folge dieses Trainings kann der DribbleBot nicht nur selbst in verschiedenen Terrains rennen und laufen, sondern dabei noch zusätzlich den Ball dribbeln, ohne ihn zu verlieren oder über ihn zu stolpern. Der Roboter hat zudem gelernt, dass der Fußball auf Sand oder Gras weniger gut rollt, auf glattem Untergrund oder bei leichtem Gefälle dagegen zum Wegrollen neigt. Der DribbleBot passt sein Verhalten entsprechend an.
„Frühere Lösungsansätze haben das Dribbeln oft stark vereinfacht und sind nur von flachem, hartem Untergrund ausgegangen“, erklärt Erstautor Yangdong Ji. „Auch die Bewegung dieser Roboter war statischer, meist haben sie nicht versucht, den Ball während des Rennens zu manipulieren.“ Der DribbleBot beherrscht diese komplexen Bewegungsabfolgen hingegen und kann bei einem Sturz auch selbstständig wieder aufstehen und weitermachen.
Neuronales Netz an Bord
„Das Beeindruckende an DribbleBot ist, dass seine sensormotorischen Fähigkeiten in Echtzeit auf einem kostengünstigen System generiert werden“, erklärt Margolis. Auch das lernfähige „Gehirn“ des Roboters in Form eines besonders leichten, kompakten neuronalen Netzwerks befindet sich mit an Bord. „Das steht im Kontrast zu den meisten heutigen Robotern: Typischerweise ist beispielsweise ein Roboterarm an der Werkbank befestigt und wird von einem großen externen Computer versorgt“, so der MIT-Forscher.
Doch auch der DribbleBot ist noch lange nicht perfekt: Er kann seine Bewegungen zwar schon an verschiedene Untergründe anpassen. Als nächstes muss er aber noch lernen, auch Hindernisse im Terrain zu erkennen und zu bewältigen. Dafür muss der Roboter dann noch einmal die Simulations-Schulbank drücken. „DribbleBot zeigt zwar schon eine bemerkenswerte Wendigkeit und Koordination, aber das ist erst das Kick-off für die nächste Phase“, sagt Agrawal. (IEEE Conference on Robotics and Automation (ICRA), 2023; Preprint: doi: 10.48550/arXiv.2304.01159)
Quelle: Massachusetts Institute of Technology
