Der Satz “Übung macht den Meister” wird normalerweise für Menschen verwendet, aber er ist auch ein großartiges Motto für Roboter, die neu in unbekannten Umgebungen eingesetzt werden. Stellen Sie sich einen Roboter vor, der in einem Lager ankommt. Er verfügt über die Fähigkeiten, auf die er trainiert wurde, wie das Platzieren eines Objekts, und jetzt muss er Gegenstände aus einem Regal entnehmen, mit dem er nicht vertraut ist. Anfangs hat die Maschine Schwierigkeiten damit, da sie sich mit ihrer neuen Umgebung vertraut machen muss. Um sich zu verbessern, muss der Roboter verstehen, auf welchen Fähigkeiten bei einer Gesamtaufgabe er Verbesserung benötigt, dann spezialisiert (oder parameterisierte) diese Aktion.
Forscher vom MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) und dem AI Institute haben eine effektivere Alternative entwickelt. Auf der Robotics: Science and Systems Conference letzten Monat präsentiert, ermöglicht ihr Algorithmus “Estimate, Extrapolate, and Situate” (EES) diesen Maschinen, selbstständig zu üben und so potenziell dabei zu helfen, sich in Fabriken, Haushalten und Krankenhäusern bei nützlichen Aufgaben zu verbessern. EES arbeitet mit einem Visionssystem zusammen, um Robotern dabei zu helfen, Aktivitäten wie das Kehren von Böden zu verbessern.
EES könnte in Krankenhäusern, Fabriken, Häusern oder Cafés nützlich sein. Beispielsweise könnten Roboter, die Ihr Wohnzimmer aufräumen sollen, Hilfe bei der Übung von Fähigkeiten wie dem Fegen benötigen. EES könnte diesen Roboter jedoch laut Nishanth Kumar SM ’24 und seinen Kollegen dabei unterstützen, sich ohne menschliches Eingreifen zu verbessern, indem nur wenige Übungsversuche benötigt werden. Der Kapazität von EES für effizientes Lernen wurde deutlich, als der Algorithmus bei Forschungsversuchen am Boston Dynamics’ Spot Quadrupeden implementiert wurde. Der Roboter, der einen Arm an seinem Rücken hat, konnte Manipulationsaufgaben nach ein paar Stunden Übung abschließen.
In Zukunft könnte EES dabei helfen, die autonome Übung für Roboter in neuen Einsatzumgebungen zu optimieren. Allerdings hat es derzeit noch einige Einschränkungen. Die Forscher hoffen, ihr System schneller mit weniger Latenz zu machen, indem sie EES konstruieren, um die spezifischen Aufgaben von Robotern zu verbessern. Die Arbeit von Silver und Kumar wird von Forschern wie Danfei Xu, einem Assistenzprofessor an der School of Interactive Computing an der Georgia Tech, als ein großer Schritt hin zu Haushaltsrobotern angesehen, die kontinuierlich an ihren Fähigkeiten arbeiten können.