Neuronale Netzwerke: Roboter lernt selbstständig das Greifen und Werfen

Wissenschaftler der Columbia University, Princeton University und des MIT haben einen Roboter entwickelt, der selbstständig zufällige Objekte aus einer Kiste greifen und in verschiedene Schachteln werfen kann. Die Tossingbot genannte Maschine setzt neuronale Netzwerke ein, um sich diesen Greif- und Wurfprozess selbst beizubringen. Das Projekt entsteht in Zusammenarbeit mit Google. Die Wissenschaftler geben an, dass ihr System mehr als 500 Aktionen pro Stunde ausführen kann, während momentan gebräuchliche Roboter knapp 300 Aktionen pro Stunde schaffen.

Stellenmarkt

1. Guest-One GmbH, Wuppertal
2. SHW Automotive GmbH, Aalen

Tossingbot nutzt drei neuronale Netzwerke, die jeweils für das Erkennen der Objekte in der Kiste, den Greifprozess und den Wurfprozess eingesetzt werden. Kameras oberhalb der Kiste und oberhalb der in einem 3x4-Gitter angeordneten Zielschachteln analysieren den Lernprozess. Der Roboter kann somit erkennen, ob er danebengeworfen oder getroffen hat und seinen Confidence-Wert entsprechend anpassen. Außerdem erstellt er eine Heatmap von Objekten in der vor ihm stehenden Schale. Diese gibt an, um welche Objekte es sich wahrscheinlich handelt - eine Banane, einen Tischtennisball oder einen der vielen anderen Gegenstände.

14 Stunden Training

Jedes Objekt hat eine unterschiedliche Form, ein anderes Gewicht und verhält sich damit physikalisch im Flug verschieden. Das muss Tossingbot berücksichtigen, genau wie die Art, ein Objekt zu greifen. Zum Beginn des Trainings versucht die Maschine deshalb erst einmal nur, Dinge überhaupt zu greifen. Die Forscher geben zufallsgenerierte Startwerte für Gewichtungen ein. Nach 14 Stunden ständigem Greifen und Werfen und 10.000 Trainingsschritten soll die Genauigkeit beim Werfen 85 Prozent, beim Greifen 87 Prozent betragen. Die Forscher selbst können nicht so genau werfen, so wie wohl viele Menschen auch. Der Roboter trainiert ohne menschliche Interaktion, da er das Szenario selbstständig zurücksetzen kann, indem er die Schalen anhebt und geworfene Teile in die Kiste vor ihm zurückfallen.

Noch ist der Aufbau des Systems ziemlich strukturiert: Die 3x4-Matrix besteht aus gleich großen Schachteln, die sich immer an der gleichen Position befinden. Außerdem sind die zu greifenden Objekte während des Trainings immer gleich. Es wäre aber in Zukunft vorstellbar, solche Maschinen in der Lagerarbeit oder Fertigung einzusetzen, wenn sie in flexibleren Umgebungen genutzt werden können.