Konzept der Verallgemeinerung 26.04.2022, 07:00 Uhr

Roboter lernen schneller: Mit 3D-Geometrie in 10 Minuten zum Erfolg

Roboter sind heute schon in der Lage, dem Menschen viele Tätigkeiten abzunehmen. Bislang waren dafür umfangreiche Lernschritte nötig. Forschende vom MIT haben nun eine Variante entwickelt, mit der ein Roboter in 10 bis 15 Minuten in der Lage ist, eine neue Aufgabe zu erledigen.

Roboterarm greift Karton

Ein besonderes neuronales Netzwerkmodell sorgt dafür, dass Roboter schneller lernen können.

Foto: panthermedia.net/vinkfan (YAYMicro)

Roboter gehören zu unserer Lebens- und Arbeitswelt inzwischen ganz selbstverständlich dazu. Beispiel Lagerarbeit: Hier sind hauptsächlich Roboter zwischen den einzelnen Regalen am Werk. Sie nehmen Produkte heraus und legen sie in Kartons. Das funktioniert reibungslos, solange der Roboter sich auf ein Produkt konzentrieren kann. Sobald ein anderes hinzukommt – und dabei reicht es schon aus, dass dieses Produkt eine leicht andere Form aufweist – wird es komplizierter. Denn dann muss der Roboter neu lernen, wie er zu greifen hat, um adäquat damit umgehen zu können. Und genau dabei spielt der Faktor Zeit bisher eine große Rolle. Denn das Anlernen ist in der Regel sehr zeitintensiv. Forschenden des Massachusetts Institute of Technology (MIT) ist es nun gelungen, einen Roboter innerhalb von 10 bis 15 Minuten für eine neue Aufgabe zu trainieren. Ihre Technik: ein neuronales Netzwerk.

Dieser Roboter backt Pizza!

Das neuronale Netzwerk, dass die MIT-Forschenden einsetzen, wurde speziell für diese Aufgabe entwickelt. Das Besondere: Es kann Formen von 3D-Objekten rekonstruieren. Einer der Forschenden beschreibt es so: „Unser Hauptbeitrag ist die allgemeine Fähigkeit, Robotern, die in unstrukturierten Umgebungen mit viel Schwankungen arbeiten müssen, viel effizienter neue Fähigkeiten zu vermitteln. Das Konzept der Verallgemeinerung durch Konstruktion ist eine faszinierende Fähigkeit, weil dieses Problem normalerweise so viel schwieriger ist“, sagt Anthony Simeonov.

Roboter lernen schneller und können nach zehn Demonstrationen Gegenstände erkennen

Getestet haben die Forschenden ihr neues System in Simulationen und mit einem echten Roboterarm. Die Ergebnisse: Der Arm griff Becher, Schalen und Flaschen, die er nie zuvor gesehen hatte. Sie waren zudem noch zufällig sortiert und wurden zwischendurch sogar umgestellt. Für dieses Ergebnis waren nur zehn Demonstrationen notwendig, damit der Roboter entsprechend trainiert war. Das ist ein Durchbruch für die Forschung, denn bislang konnte ein Roboter angelernt werden, einen Gegenstand aufzuheben. Sobald dieser aber plötzlich anders lag, deutete der Roboter dies als neues Szenario und konnte damit nicht umgehen, ohne nochmals auf diese neue Situation trainiert zu werden. Es war bislang für maschinelle Lernsysteme schwierig, neue Objektorientierungen zu verallgemeinern.

Stellenangebote im Bereich Automatisierungstechnik

Automatisierungstechnik Jobs
Possehl Electronics Deutschland GmbH-Firmenlogo
Advanced Engineer (w/m/d) Possehl Electronics Deutschland GmbH
Niefern-Öschelbronn Zum Job 
BEC Robotics-Firmenlogo
Application Engineer (m/w/d) BEC Robotics
Pfullingen Zum Job 
TenneT TSO GmbH-Firmenlogo
Site Manager (m/w/d) Wilhelmshaven TenneT TSO GmbH
Hannover, Wilhelmshaven Zum Job 
VIVAVIS AG-Firmenlogo
Sales Manager (m/w/d) Industrie VIVAVIS AG
Ettlingen Zum Job 
Caljan GmbH-Firmenlogo
Maschinenbauingenieur / Konstrukteur Sondermaschinenbau (m/w/d) Caljan GmbH
Halle (Westf.) Zum Job 
VIVAVIS AG-Firmenlogo
Sales Manager (m/w/d) Metering VIVAVIS AG
Berlin, Homeoffice Zum Job 
Haus der Technik e.V.-Firmenlogo
Fachdozent/in und Berater/in (m/w/d) für Krane und Hebezeuge in der Weiterbildung Haus der Technik e.V.
THU Technische Hochschule Ulm-Firmenlogo
W2-Professur Technische Informatik THU Technische Hochschule Ulm
über ifp | Executive Search. Management Diagnostik.-Firmenlogo
Teamleiter:in Mechanical & Electrical Engineering über ifp | Executive Search. Management Diagnostik.
Emlichheim Zum Job 
Berliner Stadtreinigung (BSR)-Firmenlogo
Mitarbeiter:in (w/m/d) strategisches Stoffstrom- und Anlagenmanagement Berliner Stadtreinigung (BSR)
IMS Messsysteme GmbH-Firmenlogo
Systemingenieur (m/w/i) für Oberflächeninspektion IMS Messsysteme GmbH
Heiligenhaus Zum Job 
Seus Kältetechnik GmbH-Firmenlogo
Projektingenieur Kältetechnik (m/w/d) Seus Kältetechnik GmbH
Wilhelmshaven Zum Job 
ZVEI e.V.-Firmenlogo
Manager/in Automation (w/m/d) ZVEI e.V.
Frankfurt am Main Zum Job 
Evos Hamburg GmbH-Firmenlogo
Betriebsingenieur EMSR (m/w/d) Evos Hamburg GmbH
Hamburg Zum Job 
Stadtwerke Schneverdingen-Neuenkirchen GmbH-Firmenlogo
Netzplaner (m/w/d) Stadtwerke Schneverdingen-Neuenkirchen GmbH
Schneverdingen-Neuenkirchen Zum Job 
TenneT TSO GmbH-Firmenlogo
Ingenieur als Projektleiter Leitungsbau (m/w/d) TenneT TSO GmbH
pro-beam GmbH & Co. KGaA-Firmenlogo
Business Development Manager im Bereich Sales (m/w/d) pro-beam GmbH & Co. KGaA
Gilching bei München Zum Job 
Tebis ProLeiS GmbH-Firmenlogo
MES Consultant (m/w/d) Tebis ProLeiS GmbH
Martinsried/Planegg, Erndtebrück, Aachen, Home-Office Zum Job 
Heraeus Electronics GmbH & Co. KG-Firmenlogo
Head (m/f/d) of Global Quality Heraeus Electronics GmbH & Co. KG
Horn Hartstoffe GmbH-Firmenlogo
Prozessingenieur/-entwickler (m/w/d) Werkstoff- und Verfahrenstechnik Horn Hartstoffe GmbH
Tübingen Zum Job 
Possehl Electronics Deutschland GmbH-Firmenlogo
Advanced Engineer (w/m/d) Possehl Electronics Deutschland GmbH
Niefern-Öschelbronn Zum Job 
BEC Robotics-Firmenlogo
Application Engineer (m/w/d) BEC Robotics
Pfullingen Zum Job 
TenneT TSO GmbH-Firmenlogo
Site Manager (m/w/d) Wilhelmshaven TenneT TSO GmbH
Hannover, Wilhelmshaven Zum Job 
VIVAVIS AG-Firmenlogo
Sales Manager (m/w/d) Industrie VIVAVIS AG
Ettlingen Zum Job 

Genau dieser Herausforderung stellten sich die Forschenden und entwickelten als Lösung eine neue Art des neuronalen Netzwerkmodells, ein sogenanntes Neural Descriptor Field (NDF). Es sollte in der Lage sein, die 3D-Geometrie einer Klasse von Gegenständen zu erlernen. Dafür berechne das Modell die geometrische Darstellung mithilfe einer 3D-Punktwolke.  Es handelt sich dabei um einen Satz von Datenpunkten oder Koordinaten in drei Dimensionen. Eine spezielle Tiefenkamera könne die Datenpunkte festhalten und so die Informationen über die Entfernung hin zur Verfügung stellen. Zuvor habe man das Netzwerk in einer Simulation umfassend und aufwendig zu synthetischen 3D-Formen trainiert. Das reiche aus, damit es nun bei Objekten in der realen Welt funktioniere.

Roboter lernen schneller dank der Methode der Äquivarianz

Basis des NFD ist die Methode der Äquivarianz. Das bedeutet: Wenn dem Modell ein Bild eines Bechers gezeigt wird, der aufrecht steht, und danach eines vom selben Becher, der auf der Seite liegt, könne das System daraus schlussfolgern, dass es sich bei dem zweiten Becher um dasselbe Objekt handle, sich nur eben in einer anderen Perspektive darstelle. „Diese Äquivarianz ermöglicht es uns, Fälle effektiver zu handhaben, in denen das beobachtete Objekt eine willkürliche Ausrichtung hat“, erklärt Simeonov.

Dahinter steckt die Idee, dass das NDF lernt, Formen ähnlicher Objekte zu rekonstruieren und dabei zugleich auch verwandte Teile dieser Objekte zu assoziieren. Bleiben wir bei dem Beispiel des Bechers: Es gibt flache Becher, hohe, welche mit kleinem oder mit größerem Henkel. All das kann das System erkennen und weiß dabei immer, dass es sich grundsätzlich um ein Objekt handelt. Würde man eine andere Methode wählen, müsste man die verschiedenen Becher beschriften und die Unterschiede herausstellen. So kann man dagegen auf die Formenrekonstruktion zurückgreifen.

Roboter lernen schneller und sollen ihr „Wissen“ künftig übertragen können

Für ihre Studie verwendeten die Forschenden nur wenige physische Beispiele, um den Roboter anzulernen. Dafür bewegten sie die Hand des Roboters auf den Teil des Objekts, das er greifen soll, zum Beispiel den Griff des Bechers. Zeitgleich zeichneten sie dabei die Positionen der Fingerspitzen auf. Das NDF kann durch diese Form des Trainings die Struktur einer neuen Form ableiten und damit die Demonstrationen auf neue Objekte übertragen.

Für die Zukunft wollen die Forschenden die Kategorien erweitern oder es eventuell sogar erreichen, die Kategorie gänzlich aufzuheben. Denn dann könne der Roboter möglicherweise sein erlerntes „Wissen“ über Becher auch auf andere Objekte, wie Kisten oder Kopfhörer, übertragen.

Mehr zum Thema Roboter:

Ein Beitrag von:

  • Nina Draese

    Nina Draese hat unter anderem für die dpa gearbeitet, die Presseabteilung von BMW, für die Autozeitung und den MAV-Verlag. Sie ist selbstständige Journalistin und gehört zum Team von Content Qualitäten. Ihre Themen: Automobil, Energie, Klima, KI, Technik, Umwelt.

Zu unseren Newslettern anmelden

Das Wichtigste immer im Blick: Mit unseren beiden Newslettern verpassen Sie keine News mehr aus der schönen neuen Technikwelt und erhalten Karrieretipps rund um Jobsuche & Bewerbung. Sie begeistert ein Thema mehr als das andere? Dann wählen Sie einfach Ihren kostenfreien Favoriten.