Das Feld der Robotik hat lange mit einer signifikanten Herausforderung zu kämpfen gehabt: Robotern beizubringen, effektiv in dynamischen, realen Umgebungen zu funktionieren. Während Roboter in strukturierten Umgebungen wie Fertigungsstraßen glänzen, hat es sich als eine beachtliche Aufgabe erwiesen, sie zu lehren, die unberechenbare Natur von Wohnungen und öffentlichen Räumen zu navigieren. Das primäre Hindernis? Ein Mangel an vielfältigen, realen Daten, die benötigt werden, um diese Maschinen zu trainieren. In einer neuen Entwicklung der University of Washington haben Forscher zwei innovative KI-Systeme vorgestellt, die potenziell transformieren könnten, wie Roboter für komplexe, reale Szenarien trainiert werden.
Das erste System, namens RialTo, führt einen neuen Ansatz zur Erstellung von Trainingsumgebungen für Roboter ein. RialTo ermöglicht es Benutzern, mit nichts anderem als einem Smartphone einen “digitalen Zwilling” zu generieren – eine virtuelle Replik eines physischen Raums. Dieser digitale Zwilling ist nicht nur ein statisches 3D-Modell. Benutzer können mit der Simulation interagieren und definieren, wie verschiedene Objekte im Raum funktionieren. Sobald der digitale Zwilling erstellt ist, kann ein virtueller Roboter wiederholt Aufgaben in dieser simulierten Umgebung üben. Durch einen Prozess namens Verstärkendes Lernen lernt der Roboter, Aufgaben effektiv auszuführen, auch unter Berücksichtigung möglicher Störungen oder Änderungen in der Umgebung.
Während RialTo darauf abzielt, hochpräzise Simulationen spezifischer Umgebungen zu erstellen, verfolgt das zweite System URDFormer einen breiteren Ansatz. URDFormer zielt darauf ab, schnell und kostengünstig eine Vielzahl von generischen Simulationen zu generieren. Diese Methode ermöglicht es Forschern, Hunderte von verschiedenen simulierten Umgebungen schnell zu erstellen. Obwohl diese Simulationen möglicherweise nicht so exakt sind wie die von RialTo erstellten, bieten sie einen bedeutsamen Vorteil: Skalierbarkeit. Die Fähigkeit, Roboter über ein breites Spektrum von Szenarien zu trainieren, kann ihre Anpassungsfähigkeit an verschiedene reale Situationen signifikant verbessern.