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
Stuttgart Netze GmbH-Firmenlogo
Ingenieur Stationsplanung (w/m/d) Stuttgart Netze GmbH
Stuttgart Zum Job 
Narda Safety Test Solutions GmbH'-Firmenlogo
Entwicklungsingenieur Hardware (m/w/d) Narda Safety Test Solutions GmbH'
Pfullingen Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Ingenieur / Techniker als Teamleitung Planung / Bau / Betrieb (w/m/d) Die Autobahn GmbH des Bundes
Narda Safety Test Solutions GmbH-Firmenlogo
Entwicklungsingenieur für Antennen- und HF-Design (m/w/d) Narda Safety Test Solutions GmbH
Pfullingen Zum Job 
BRUNATA-METRONA GmbH & Co. KG-Firmenlogo
Referent (m/w/d) Technische Gremien BRUNATA-METRONA GmbH & Co. KG
Köln, Hamburg, München Zum Job 
DMT-Gesellschaft für Lehre und Bildung mbH-Firmenlogo
W2-Professur (m/w/d) Thermische Verfahrenstechnik und Energieeffizienz DMT-Gesellschaft für Lehre und Bildung mbH
ZVEI e.V.-Firmenlogo
Fachverbandsgeschäftsführung Elektroinstallationssysteme (w/m/d) ZVEI e.V.
Berlin, Frankfurt am Main Zum Job 
Hochschule Nordhausen-Firmenlogo
W2-Professur für "Maschinenbau/Konstruktion" (m/w/d) Hochschule Nordhausen
Nordhausen Zum Job 
ILF CONSULTING ENGINEERS GERMANY GMBH-Firmenlogo
Lead Ingenieur für Thermische Systeme (m/w/d) ILF CONSULTING ENGINEERS GERMANY GMBH
München Zum Job 
POLYVANTIS GmbH-Firmenlogo
Ingenieur (m/w/d) Elektrotechnik / Maschinenbau / Verfahrenstechnik als Projektmanager POLYVANTIS GmbH
Weiterstadt Zum Job 
POLYVANTIS GmbH-Firmenlogo
Ingenieur / Techniker Elektrotechnik / Automatisierungstechnik (m/w/d) POLYVANTIS GmbH
Weiterstadt Zum Job 
Leuze electronic GmbH + Co. KG-Firmenlogo
Experienced Mechanical Engineer (m/f/x) Leuze electronic GmbH + Co. KG
Owen bei Kirchheim / Teck Zum Job 
Fresenius Kabi Deutschland GmbH-Firmenlogo
Ingenieur (m/w/d) Maschinenbau mit Projektverantwortung Fresenius Kabi Deutschland GmbH
Friedberg / Hessen 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.
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 
Fresenius Kabi Deutschland GmbH-Firmenlogo
Projektmanager/-leiter für Projekte mit technischem Schwerpunkt im pharmazeutischen Umfeld (m/w/d) Fresenius Kabi Deutschland GmbH
Friedberg (Hessen) Zum Job 
Stuttgart Netze GmbH-Firmenlogo
Ingenieur Stationsplanung (w/m/d) Stuttgart Netze GmbH
Stuttgart Zum Job 
Narda Safety Test Solutions GmbH'-Firmenlogo
Entwicklungsingenieur Hardware (m/w/d) Narda Safety Test Solutions GmbH'
Pfullingen Zum Job 
Die Autobahn GmbH des Bundes-Firmenlogo
Ingenieur / Techniker als Teamleitung Planung / Bau / Betrieb (w/m/d) Die Autobahn GmbH des Bundes
Narda Safety Test Solutions GmbH-Firmenlogo
Entwicklungsingenieur für Antennen- und HF-Design (m/w/d) Narda Safety Test Solutions GmbH
Pfullingen 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.