Roboter, die wissen, wann sie sanft sein müssen: Apples MoMo lehrt Maschinen, ihren Bewegungsstil selbst anzupassen

Wichtige Punkte

• Apple ML Research veröffentlichte MoMo, ein zweistufiges Lernframework, das Roboter lehrt, ihren Bewegungsstil je nach Aufgabe zu variieren.
• Das System wurde an sechs echten Robotermanipulationsaufgaben getestet und erzeugte stetige, kontrollierbare Veränderungen in der Ausführung jeder Bewegung.
• Eine einzelne schiebereglerähnliche Eingabe namens „Motion-Mode-Bedingung" ermöglicht es Bedienern, das Roboterverhalten zu ändern, ohne Code umzuschreiben.
• MoMo nutzt Imitationslernen, eine Trainingsmethode, bei der der Roboter Beispiele von Menschen beim Ausführen einer Aufgabe studiert und dann das zugrunde liegende Muster kopiert.

Die meisten Roboter bewegen sich jedes Mal auf die gleiche Weise. Bitten Sie einen, ein rohes Ei und einen Ziegelstein zu greifen, und er wird beide mit identischer Kraft, in der gleichen Geschwindigkeit und in der gleichen Bewegungsbahn erfassen. Das funktioniert in einer Fabrik, wo jedes Objekt identisch ist. Es scheitert überall sonst.

Apple ML Research veröffentlichte diese Woche ein System namens MoMo, das dies versucht zu beheben. Die Idee ist im Prinzip einfach: Lehren Sie einen Roboter nicht nur, was er tun soll, sondern auch, wie es sich dabei anfühlen sollte, und machen Sie dieses „Wie" zu etwas, das Sie spontan anpassen können.

Wie funktioniert MoMo tatsächlich?

MoMo hat zwei Teile, die zusammenarbeiten. Zunächst ein Tokenizer, eine Software, die einen Strom von Bewegungsdaten in kleine, beschriftete Blöcke unterteilt, so wie die Automatische Texterkennung Sprache in Wörter unterteilt. Der Tokenizer von MoMo funktioniert sowohl im Raum (wohin sich der Arm bewegt) als auch in der Zeit (wie schnell er sich bewegt), sodass er die vollständige Struktur einer Bewegung erfasst, nicht nur ihren Endpunkt.

Der zweite Teil ist ein Transformer, die gleiche Klasse von Software, die moderne Chatbots antreibt. Dieser Transformer nimmt zwei Eingaben an: die Aufgabe selbst und eine kontinuierliche Zahl auf einer Skala, die Forscher als Motion-Mode-Bedingung bezeichnen. Stellen Sie es sich als einen einzelnen Schieberegler vor. Schieben Sie ihn in eine Richtung und der Roboter bewegt sich durchdacht und sanft. Schieben Sie ihn in die andere Richtung und der Roboter bewegt sich schnell und entschieden. Jede Position dazwischen erzeugt einen entsprechend unterschiedlichen physischen Stil.

Entscheidend ist, dass der Roboter dieses Schiebereglverhalten durch Imitationslernen erlernt, indem er Menschen bei der Ausführung von Aufgaben beobachtet und das Muster der Variation aufnimmt, nicht nur das durchschnittliche Ergebnis. Das bedeutet, dass dasselbe trainierte Modell ein ganzes Spektrum von Bewegungen abdecken kann, ohne dass jemand neue Anweisungen für jeden Punkt dieses Spektrums schreiben muss.

Warum ist dies außerhalb eines Labors wichtig?

In der realen Welt ändern sich die Bedingungen ständig. Ein Roboter, der Medikamente in einer Krankenhausapotheke handhabt, braucht eine andere Behandlung als derselbe Roboter, der Regale neu sortiert. Eine Maschine, die einen Telefonbildschirm montiert, benötigt langsame Präzision; das Verschieben leerer Tabletts über ein Lager kann schnell erfolgen. Heute bedeutet der Wechsel zwischen diesen Modi normalerweise, dass menschliche Ingenieure eingreifen müssen, um die Einstellungen anzupassen. Der Ansatz von MoMo würde es dem Roboter ermöglichen, ein einfaches Signal zu erhalten und sich selbst anzupassen.

Apple ML Research testete das Framework an sechs echten Robotermanipulationsaufgaben, der praktischen Arbeit des Greifens, Platzierens und Verschiebens von Objekten, und berichtete, dass die Variation der Motion-Mode-Bedingung in allen Aufgaben zu stetigen, vorhersagbaren Verhaltensänderungen führte.

Die Forschung befindet sich noch im akademischen Stadium. Es gab keine Produktankündigung zusammen mit der Veröffentlichung, und die Lücke zwischen einer Labordemo und einem Roboter, dem Sie in einem Krankenhaus oder zu Hause vertrauen, ist groß. Aber die zugrundeliegende Frage, die MoMo beantwortet, ist eine, mit der sich die gesamte Branche auseinandersetzt: Kann ein Roboter ein wiederverwendbares Verständnis dafür erlernen, wie er sich bewegen sollte, das über alle Aufgaben verteilt ist, die er kennt?

Diese Arbeit deutet darauf hin, dass die Antwort ja ist.

Häufig gestellte Fragen

Bedeutet dies, dass sich Roboter bald von selbst an jede Situation anpassen?

Noch nicht. MoMo zeigt, dass der Bewegungsstil mit einer einzelnen Eingabe erlernt und kontrolliert werden kann, aber das System benötigt immer noch menschlich erfasste Trainingsdaten für jede Aufgabe und einen Bediener, um den Motion-Mode-Wert festzulegen. Vollständige Autonomie über offene Situationen bleibt ein ungelöstes Problem.

Könnte diese Technologie in Verbraucher- oder Medizinrobotern auftauchen?

Möglicherweise, im Laufe der Zeit. Das Framework ist allgemein genug, um auf jeden Roboterarm angewendet zu werden, der Manipulationsarbeiten ausführt, aber der Übergang von einer Forschungsveröffentlichung zu einem zertifizierten Medizin- oder Verbrauchergerät erfordert Jahre von Sicherheitstests und behördliche Genehmigung.