Überleben von Schäden erlernen
Eine der hartnäckigsten Einschränkungen von in realen Umgebungen eingesetzten Robotern ist ihre Zerbrechlichkeit. Ein fehlgeschlagener Aktuator, ein beschädigtes Gliedmaß oder ein defekter Sensor können eine ansonsten funktionsfähige Maschine völlig unbrauchbar machen. Die starren, zweckgebundenen Designs, die Roboter in kontrollierten Fabrikumgebungen effizient machen, werden zur Belastung, sobald diese Maschinen auf die Unvorhersehbarkeit von Such- und Rettungsoperationen, militärische Einsätze oder planetare Erkundungen treffen. Eine neue Studie eines führenden Robotik-Instituts hat eine mögliche Lösung demonstriert: Roboter, deren physische Form und Kontrollsoftware mit künstlicher Intelligenz co-evolviert werden, was zu Designs führt, die fast unmöglich vollständig zu deaktivieren sind.
Die in Science Robotics veröffentlichte Arbeit nutzte eine Variante von Evolutionsalgorithmen – Rechenverfahren, die von der natürlichen Auslese inspiriert sind – um gleichzeitig sowohl die physische Morphologie des Roboters als auch das neuronale Netzwerk, das ihn steuert, zu optimieren. Das Ergebnis ist eine Maschine, die nicht nur Schäden toleriert; sie wurde von Grund auf mit der Annahme entworfen, dass Schäden auftreten. Als Forscher das Gerät testeten, indem sie Gliedmaßen entfernten, pneumatische Aktuatoren durchbohrten und Sensoren deaktivierten, setzte der Roboter seine Bewegungen fort und absolvierte Navigationsaufgaben mit einer Erfolgsquote, die konventionell entworfene Gegenstücke bei weitem übertraf.
Wie evolutionäres Design funktioniert
Der Prozess beginnt mit einer Population von zufällig generierten Roboterdesigns – virtuelle Körper mit unterschiedlichen Gliedmaßenzahlen, Gelenkonfigurationen, Materialeigenschaften und Sensorplatzierungen – jeweils gekoppelt mit einem zufällig initialisierten Kontrollnetzwerk. Diese virtuellen Roboter werden einer simulierten physischen Umgebung ausgesetzt und auf ihre Fähigkeit bewertet, eine Aufgabe zu erfüllen: durch einen Hindernisparcours navigieren, eine Last tragen oder die Vorwärtsbewegung nach einem Aufprall beibehalten.
Die Designs mit der besten Leistung werden ausgewählt, rekombiniert und mutiert, um die nächste Generation zu bilden – genauso wie natürliche Auslese Merkmale verstärkt, die Überlebensvorteil bieten. Über Tausende von simulierten Generationen hinweg konvergiert dieser Prozess zu Designs, die für menschliche Ingenieure wirklich überraschend sind: asymmetrische Körperpläne, redundante Aktuatoranordnungen, die verschwenderisch erscheinen, bis ein Gliedmaß entfernt wird, und Kontrollnetzwerke, die gelernt haben, Motorbefehle in Echtzeit um fehlgeschlagene Komponenten herumzuleiten.
Was die neue Studie auszeichnet, ist die explizite Berücksichtigung von Schadensszenarien während des Evolutionsprozesses. Anstatt rein für die Leistung in unbeschädigtem Zustand zu optimieren, führten die Forscher während der Simulation regelmäßig zufällige Schadenereignisse ein – Entfernen von Gliedmaßen, Verschlechterung von Sensoren, Umkehrung von Aktuatoren – und bewerteten, wie gut Roboter die Leistung sowohl in normalen als auch in beschädigten Zuständen aufrechterhielten. Dieser duale Optimierungsdruck führte zu einer qualitativ anderen Klasse von Robotern als nur leistungsorientierte Evolution.
Der physische Roboter
Die besten entwickelten Designs wurden mit Soft-Robotik-Techniken gefertigt – Kombinationen aus flexiblen Polymerstrukturen, Formgedächtnis-Legierungen und pneumatischen Kammern, die sich auf Weise verformen und wiederherstellen können, wie starre Roboter nicht können. Wenn ein Teil des Roboterkörpers entfernt wird, verteilt die verbleibende Struktur mechanische Lasten auf ihre verbleibenden Elemente auf eine Weise, die für ein starres Metallchassis unmöglich ist. Das Kontrollnetzwerk, das auf einem eingebetteten Prozessor läuft, überwacht kontinuierlich Kräfte und Positionen im gesamten Körper und passt Motorbefehle an, um die verbleibende Struktur auszugleichen.
Bei physischen Tests entfernten Forscher bis zu 40 Prozent der Gesamtkörpermasse des Roboters – schnitten Gliedmaßen weg, entfernten betätigte Segmente, durchbohrten Luftkammern – und beobachteten, dass die Maschine ihre Bewegung und Navigation fortsetzte. Sein Gang änderte sich radikal, verschoben sich manchmal von einem Gehmuster zu einer Krieching- oder Rollbewegung, aber er stoppte nicht. Das Verhalten war nicht programmiert; es ergab sich aus der Fähigkeit des trainierten neuronalen Netzwerks, über neuartige Körperkonfigurationen zu verallgemeinern.
Anwendungen in risikoreichen Umgebungen
Die Auswirkungen für den Echtwelt-Einsatz sind erheblich. Such- und Rettungsroboter in einsturzgefährdeten Gebäuden stoßen routinemäßig auf Trümmeraufprall, scharfe Kanten und mechanische Spannungen, die konventionelle Plattformen beschädigen. Militärroboter, die in Kampfzonen eingesetzt werden, sehen sich noch extremeren Schadensszenarien gegenüber. Fahrzeuge zur planetaren Erkundung müssen Monate oder Jahre lang funktionsfähig bleiben, ohne dass Wartung oder Reparatur möglich ist.
Aktuelle Ansätze zur Roboterresilienz beinhalten typischerweise redundante mechanische Komponenten – die Gewicht, Kosten und Komplexität erhöhen – oder modulare Designs, die sich nach Schäden selbst rekonfigurieren können, was ausgefeilte Andockmechanismen erfordert und eigene Fehlerpunkte hinzufügt. Der entwickelte Ansatz vermeidet diese Kompromisse, indem Robustheit in das grundlegende Design eingebaut wird, anstatt sie darauf zu schichten.
Hin zur morphologischen Intelligenz
Die Forschung fördert auch einen breiteren philosophischen Wandel in der Robotik, der morphologische Berechnung genannt wird – die Idee, dass Intelligenz nicht nur eine Eigenschaft des Kontrollsystems ist, sondern über die physische Form des Roboters selbst verteilt ist. Eine Körperform, die Kräfte natürlicherweise umleitet, Aufpralle absorbiert und die strukturelle Integrität unter Belastung aufrechterhält, leistet Rechenarbeit, die ansonsten vom Gehirn geleistet werden müsste. Die entwickelten Roboter sind nicht nur gut gesteuert; sie sind gut geformt für die Probleme, denen sie gegenüberstehen.
Zukünftige Arbeiten werden sich darauf konzentrieren, den Evolutionsansatz auf komplexere Aufgaben und größere Körperpläne auszudehnen, sowie zu untersuchen, ob Roboter in Echtzeit lernen können, sich anzupassen, wenn sich Schäden während eines Einsatzes ansammeln – nicht nur Schäden zu überleben, die während der Evolution erwartet werden, sondern neue Kompensationsstrategien im Betrieb zu entdecken. In Kombination mit zunehmend fähiger integrierter AI stellt die Aussicht auf Roboter, die wirklich schwer zu stoppen sind, einen bedeutsamen Fortschritt in der praktischen Nützlichkeit autonomer Maschinen in schwierigen Umgebungen dar.
Dieser Artikel basiert auf Berichterstattung von New Atlas. Lesen Sie den Originalartikel.
