Forscher des Computer Science and Artificial Intelligence Laboratory (CSAIL) des MIT haben eine revolutionäre Methode zur Steuerung von Robotern entwickelt, die sich am menschlichen adaptiven Lernen orientiert. Im Gegensatz zu herkömmlichen Robotersystemen, die mit einer Reihe komplexer Sensoren und sorgfältig von Hand erstellten Bewegungsmodellen ausgestattet sind, kann dieses neue System mit der Bezeichnung "Neural Jacobian Fields" (NJF) Roboter dazu anleiten, ihre eigenen Körperbewegungen und Reaktionen auf Befehle allein durch Beobachtung selbst zu erlernen.
Im Herzen des CSAIL-Labors ergreift eine weiche Roboterhand flink und geschickt einen winzigen Gegenstand. Bemerkenswert ist, dass die Hand sensorlos ist und ihre Bewegungen, die von einer einzigen Kamera beobachtet werden, allein durch visuelle Daten gesteuert werden. Diese bahnbrechende Technologie folgt nicht dem starren Programmieransatz, der bisher die Norm war. Stattdessen begibt sie sich in den Bereich des Lehrens und Lernens. Die Roboter werden zu Schülern - sie beobachten, lernen und passen ihre Bewegungen an, genau wie Menschen.
“Diese Arbeit deutet auf einen Wandel hin – weg vom Programmieren von Robotern hin zum Unterrichten von Robotern”, sagt Sizhe Lester Li, der Doktorand am MIT, der die Forschung leitete. “Anstatt jede Bewegung zu programmieren, können wir einem Roboter eine Aufgabe vorführen und ihn selbst herausfinden lassen, wie er sie bewältigen kann.”
Diese Innovation stellt das traditionelle Modell, das auf starrem Design und sensorgestützter Technologie zur Steuerung setzt, völlig auf den Kopf. NJF ermöglicht eine beispiellose Freiheit und versetzt Roboter (unabhängig davon, ob sie weich, unregelmäßig geformt oder ohne Sensoren sind) in die Lage, durch einfaches Beobachten und Anpassen ein eigenes internes Verständnis von Bewegung zu entwickeln. Dieser radikale Ansatz eröffnet Ingenieuren unendliche Möglichkeiten, bioinspirierte Maschinen zu entwickeln, ohne sich Gedanken über spätere Steuerungs- oder Modellierungsprobleme machen zu müssen.
“Es ist so, als würde man lernen, seine Gliedmaßen zu kontrollieren. Man beobachtet, bewegt sie ein wenig und passt sich an”, erklärt Li. “Genau dieses Prinzip wendet auch unser System an.”
Das Team testete NJF an verschiedenen Roboterformen – von einer pneumatischen Soft-Hand und einer starren Allegro-Hand bis hin zu einem 3D-gedruckten Arm und einer rotierenden Plattform ohne Sensoren. In jedem Fall nutzte das System visuelle Daten und Daten zu zufälligen Bewegungen, um die Geometrie des Roboters und dessen Reaktion auf Befehle zu erlernen und zu verstehen. Nach dem Training benötigt der Roboter nur noch eine einzige monokulare Kamera, um in Echtzeit zu arbeiten, und erreicht dabei eine Geschwindigkeit von 12 Bildern pro Sekunde – ein bedeutender Fortschritt im Vergleich zu anderen Simulatoren.
In NJF ist ein neuronales Netzwerk integriert, das zwei entscheidende Aspekte erlernt: die 3D-Form des Roboters und dessen Reaktion auf Steuersignale. Das System lernt durch die Beobachtung zufälliger Aktionen des Roboters, wodurch menschliche Eingaben oder bereits vorhandenes Wissen vollständig überflüssig werden.
“Das Sehen allein kann die für die Ortung und Steuerung erforderlichen Hinweise liefern”, sagt Daniela Rus, Direktorin des CSAIL und Mitautorin der Studie. “Dies ebnet den Weg für Roboter, die in chaotischen, unstrukturierten Umgebungen funktionieren können – ohne dass eine kostspielige Infrastruktur erforderlich ist.”
Zu den aktuellen Herausforderungen zählen die Notwendigkeit, jeden Roboter mithilfe mehrerer Kameras individuell zu trainieren, sowie das Fehlen einer taktilen Wahrnehmung. Das Team ist jedoch entschlossen, mit Unterstützung des Solomon-Buchsbaum-Forschungsfonds, des MIT Presidential Fellowship, der National Science Foundation und des Gwangju Institute of Science and Technology das Potenzial des Systems zu verbessern, indem es diese Herausforderungen angeht.
“Ähnlich wie Menschen ein intuitives Gespür für die Bewegungen ihres Körpers entwickeln’, sagt Li. ”NJF verleiht Robotern diese Art von verkörpertem Verständnis und legt damit den Grundstein für eine flexible, anpassungsfähige Steuerung in der realen Welt.“
Ausführlichere Informationen über diese Forschung finden Sie auf MIT News: https://news.mit.edu/2025/vision-based-system-teaches-machines-understand-their-bodies-0724
Diese Website verwendet Cookies.