Vierbeiner auf Kontrollgang

Lernen im virtuellen Raum

Kameras und Lasersensoren sind heute Standardprodukte, um Roboter zu lokalisieren und ihnen eine Fortbewegung nach Plan zu ermöglichen. Doch was Anymal befähigt, die Umgebungsdaten für eine autonome Bewegung auch in unbekanntem Gelände zu nutzen, ist ein zweistufiges Trainingsprogramm, das er im virtuellen Raum absolviert. „Dabei lassen wir den Roboter in sehr unterschiedlich simuliertem Gelände laufen“, erläutert Hutter. „Und wir trainieren ihn darauf, unerwartete Hindernisse wie Treppen oder Bodenunebenheiten zu überwinden.“

In einem ersten, dem sogenannten Teacher-Training wird der Roboter anhand einer exakten digitalen Abbildung der Umgebung mit simulierten Barrieren von unterschiedlichem Schwierigkeitsgrad konfrontiert. Der dabei ablaufende maschinelle Lernprozess basiert unter anderem auf Algorithmen, die Fortschritte belohnen und Rückschritte bestrafen. Über ein neuronales Netzwerk werden die Bewegungen des Vierbeiners gesteuert.

Nach dem Teacher-Training wäre Anymal eigentlich bereit, ein vollständig vermessenes Gelände selbstständig zu durchqueren. Doch es braucht einen weiteren virtuellen Trainingsschritt, damit sich der Roboter in einer realen Umgebung auch wirklich trittsicher bewegen kann. Denn es ist unmöglich, alle Umgebungsparameter mit den Kameras und Sensoren komplett zu erfassen. Das Blattwerk von Bäumen, sumpfiges Gelände, Wasser- oder Schneeflächen bilden harte und undurchdringliche Objekte mit festem Umriss, was den Roboter in die Irre führen würde. Um das zu verhindern, erhält er ein weiteres, sogenanntes Student-Training. Dabei lernt der künstliche Vierbeiner, inwieweit er sich auf die Kameradaten verlassen kann – und unter welchen Bedingungen er besser seinem Tastsinn vertrauen sollte.

Ein Tastsinn wird entwickelt

Den schärft der Roboter erst mit diesem Training. Rutscht er auf dem virtuellen Übungsfeld aus, sinkt ein oder schlittert auf glattem Untergrund, erhält er ein Störsignal. Damit das später nicht wieder geschieht, verknüpft Anymal die Daten aus seiner „äußeren Wahrnehmung“ (der Exterozeption) mit denen, die er zuvor über das Teacher-Training als „innere Wahrnehmung“ (der Propriozeption) verarbeitet hat. Exterozeption und Propriozeption werden durch eine spezielle Methode der Künstlichen Intelligenz miteinander verknüpft. Zudem errechnet ein Algorithmus laufend aus beiden Wahrnehmungsformen den wahrscheinlichsten Zustand der Umgebung.

Nach beiden virtuellen Trainings ist das neuronale Netzwerk von Anymal für einen sicheren Ausflug in die reale Welt gerüstet. Dort orientiert er sich zunächst mithilfe seiner Sensoren und Kameras, die ihm die Umgebung in Form einer 3D-Punktwolke präsentieren. Diese wird in eine Höhenkarte für die Navigation umgerechnet. Dabei berücksichtigt der Roboter auch sein taktiles Feedback – quasi sein Fingerspitzengefühl. „Tritt er mit einem Fuß auf etwas, das sich nicht so anfühlt, wie das, was er gesehen hat, reagiert er anders, als er es gelernt hat“, erläutert Hutter. Im Extremfall kann sich der Roboter völlig blind fortbewegen und sich nur auf seine Propriozeption, sein „Gespür“, verlassen.

Der Roboterhund Anymal ist das Ergebnis von zwölf Jahren Forschung. Seinen ersten künstlichen Vierbeiner hat Hutter 2011 im Rahmen seiner Doktorarbeit entworfen. 2016 gründete er das Start-up Anybotics, das die recht schlichten Prototypen aus dem Forschungslabor in zertifizierte Produkte weiterentwickelt hat. Inzwischen verwenden die Wissenschafter am Robotic Systems Lab der ETH die neueste Generation des wendigen Roboters von Anybotics für ihre Forschung. Und die ist noch längst nicht abgeschlossen, betont Hutter: „Unser Roboterhund soll noch agiler und vielseitiger werden, damit er weitere Arbeiten ausführen kann.“ Künftig soll er die inspizierten Objekte, wenn nötig, auch gleich warten oder reparieren können.

Menschen orientieren sich bei Entscheidungen an den Erfahrungen anderer. Dieses als „Social Proof“ bekannte psychologische Phänomen…