In den stillen, vollgestellten Ecken eines Hauses oder in den engen Gängen eines Lebensmittelladens steht ein Roboter vor einer Herausforderung, die für einen Menschen einfach, aber für eine Maschine rätselhaft ist: ein Sandwich aufzuheben, ohne es zu zerdrücken, oder einen Pappbecher anzuheben, ohne dass er verrutscht. Seit Jahrzehnten bringen Ingenieure Robotern bei, Objekte zu greifen, indem sie Zahlen messen – wie viel Kraft angewendet wird, wie viel Reibung besteht und ob sich das Objekt bewegt. Diese Messungen sind präzise und zuverlässig, aber sie lassen den wichtigsten Teil der Gleichung außer Acht: das menschliche Gefühl von „genau richtig“. Ein Roboter kann eine Kraft ausüben, die physisch ausreichend ist, um ein Objekt zu halten, doch einem menschlichen Beobachter gegenüber wirkt das Objekt leicht eingedellt oder verformt, was signalisiert, dass der Griff zu fest ist. Diese Diskrepanz zwischen dem, was ein Roboter misst, und dem, was ein Mensch erwartet, schafft eine Barriere für echte Kooperation. Wenn ein Roboter nicht verstehen kann, dass ein zerquetschtes Sandwich ein Fehlschlag ist, selbst wenn er es nicht fallen gelassen hat, wird man ihm niemals sensible tägliche Aufgaben anvertrauen.

Ein Forschungsteam am Kyushu Institute of Technology in Japan hat einen neuen Weg entwickelt, um diese Lücke zu schließen. Sie haben ein System geschaffen, das es einem Roboter ermöglicht, die subjektiven, visuellen Standards eines menschlichen Griffs zu erlernen und diese Standards dann ausschließlich mit seinen eigenen mechanischen Sensoren anzuwenden. Anstatt einen Roboter mit starren Regeln für jedes mögliche Objekt zu programmieren – was angesichts der unendlichen Vielfalt der Dinge in der Welt unmöglich ist –, bauten die Forscher ein Framework, das menschliche Intuition auf die Maschine überträgt. Das System funktioniert dadurch, dass zuerst einem Menschen gezeigt wird, wie man einen Griff beurteilt, und dieses Urteil dann genutzt wird, um dem Roboter beizubringen, worauf er in seinen eigenen Daten achten muss. Das Ergebnis ist ein Roboter, der in der Lage ist, sich an ein neues, unbekanntes Objekt anzupassen, nachdem er nur wenige Beispiele gesehen hat, und der lernt, den Druck genau in dem Moment zu stoppen, in dem ein Mensch entscheiden würde, dass der Griff perfekt ist.

Die Forscher testeten diese Idee an drei gängigen Gegenständen, die in unstrukturierten Umgebungen zu finden sind: einem Reisbällchen (Onigiri), einem Sandwich und einem Pappbecher. Diese Objekte wurden gewählt, weil sie weich, verformbar sind und unter Druck unterschiedlich reagieren. Um den Roboter zu trainieren, zeichnete das Team zunächst Videos auf, in denen der Roboter diese Gegenstände griff, während er die Kraft in kleinen, präzisen Schritten erhöhte. Ein menschlicher Beobachter sah sich diese Videos an und markierte zwei kritische Momente: die exakte Sekunde, in der der Greifer das Objekt sicher hielt, und den allerersten Augenblick, in dem das Objekt sichtbare Anzeichen von Beschädigung zeigte, wie etwa eine Delle oder eine Veränderung der Form. Diese Momente definierten drei Zustände für den Roboter: Gleiten (nicht fest genug gehalten), angemessen (gerade richtig gehalten) und übermäßig (zu fest gedrückt).

Die Kerninnovation liegt darin, wie der Roboter diese Definitionen lernt, ohne Tausende von menschlich gekennzeichneten Beispielen zu benötigen. Die Forscher nutzten ein großes Sprach- und Vision-Modell, eine Art künstliche Intelligenz, die in der Lage ist, Bilder und Text zu verstehen, um als Brücke zu fungieren. Sie zeigten dieser KI nur wenige Beispiele der menschlichen Urteile – zwei oder drei Videos, in denen ein Mensch bereits die perfekten Momente markiert hatte. Die KI nutzte diese Beispiele dann als Leitfaden, um den Rest der Videodaten automatisch zu kennzeichnen. Dieser Prozess, den das Team als „semi-automatisierten Supervisor-Generator“ bezeichnet, ermöglichte es ihnen, einen vollständigen Trainingsdatensatz für jeden Gegenstand mit minimalem menschlichem Aufwand zu erstellen. Die KI lernte, die subtilen visuellen Hinweise auf Verformungen zu erkennen, die ein Mensch bemerken würde, und übersetzte den menschlichen „Blick“ effektiv in einen Satz von Labels, den der Roboter verstehen konnte.

Sobald der Robot über diese gekennzeichneten Daten verfügte, lernte er, den Zustand des Griffs in Echtzeit allein mithilfe seiner internen Sensoren vorherzusagen. Der Roboter hat keine Augen, um die Delle zu sehen; stattdessen verlässt er sich auf taktile Sensoren in seinen Fingerspitzen und eine Messung der von ihm ausgeübten Kraft. Die Forscher trainierten ein leichtgewichtiges Vorhersagemodell, das die Historie dieser Sensormessungen analysiert und schätzt, was in der nächsten Fraktion einer Sekunde passieren wird. Wenn das Muster von Druck und Berührung darauf hindeutet, dass das Objekt gleich deformiert wird, weiß der Roboter, dass er den Kraftaufbau stoppen muss. Diese Vorhersage geschieht in einem Bruchteil einer Sekunde, was es dem Roboter ermöglicht, den Griff kontinuierlich anzupassen, während er das Objekt hebt und bewegt.

Die Experimente zeigten, dass dieser Ansatz bemerkenswert gut funktioniert. Als die Forscher das System an den drei Objekten testeten, verbesserte sich die Fähigkeit des Roboters, den korrekten Zustand vorherzusagen, mit zunehmender Datenmenge rapide. Mit nur einem einzigen Beispiel eines menschlichen Urteils konnte der Roboter beginnen, die Aufgabe zu verstehen, aber seine Vorhersagen waren manchmal noch unsicher. Bei zwei Beispielen erreichte die Leistung des Roboters eine hohe Genauigkeit und entsprach fast perfekt dem menschlichen Urteil. In Tests, in denen der Roboter die Objekte tatsächlich hob und bewegte, gelang es ihm in fast jedem Versuch, den „angemessenen“ Griff beizubehalten. Beim Pappbecher und beim Sandwich erreichte der Roboter eine perfekte Punktzahl darin, das Objekt sicher ohne Beschädigung zu halten. Beim Reisbällchen, das eine unregelmäßigere Form und eine ungleichmäßige Dichte aufweist, war der Roboter etwas vorsichtiger und stoppte seinen Griff ein winziges Stück früher, als es ein Mensch getan hätte, transportierte das Objekt jedoch dennoch erfolgreich, ohne es fallen zu lassen oder zu zerquetschen.

Um zu bestätigen, dass der Roboter tatsächlich die menschlichen Erwartungen erfüllte, baten die Forscher fünfundzwanzig Personen, Videos des Roboters bei der Ausführung dieser Aufgaben zu beobachten. Die Teilnehmer wurden gebeten zu entscheiden, ob der Griff des Roboters gleitend, angemessen oder übermäßig war. In fast allen Fällen stimmten mehr als neunzig Prozent der Menschen damit überein, dass der Roboter das Objekt korrekt hielt. Die einzige Ausnahme war ein Testlauf mit einem Sandwich, bei dem der Roboter es leicht außermittig hielt, was eine visuelle Verzerrung verursachte, die einige Menschen als zu viel Kraft interpretierten. Dieses Ergebnis deutet darauf hin, dass das System die mechanischen Handlungen des Roboters erfolgreich mit den visuellen Erwartungen des Menschen in Einklang gebracht hat, wodurch ein Griff entsteht, der für einen Beobachter „richtig“ wirkt.

Die Studie hob auch die Grenzen dieses aktuellen Ansatzes hervor. Die Forscher merkten an, dass das System am besten funktioniert, wenn die Objekte denen ähnlich sind, die es bereits gesehen hat. Wird ein neuer Typ von Sandwich mit einer völlig anderen Textur oder Steifigkeit eingeführt, benötigt der Roboter möglicherweise einige weitere Beispiele, um die neuen Regeln zu erlernen. Das Team wies auch darauf hin, dass ihre derzeitige Methode auf einer einfachen Drei-Zustands-Klassifizierung basiert, was einen guten Ausgangspunkt darstellt, aber die volle Komplexität menschlicher Präferenzen nicht erfasst. Zukünftige Arbeiten werden darauf abzielen, das System robuster zu machen, indem Feedback von Menschen während der Aufgabe integriert und die Palette der handhabbaren Objekte erweitert wird.

Letztendlich demonstriert diese Forschung einen Weg nach vorn für Roboter, die in unordentlichen, unvorhersehbaren Umgebungen neben Menschen arbeiten müssen. Indem sie Maschinen lehren, die menschliche Perspektive zu schätzen – nicht nur die physische Sicherheit eines Objekts, sondern auch dessen Erscheinungsbild und Integrität –, haben die Forscher einen bedeutenden Schritt hin zu Robotern gemacht, die die Nuancen des täglichen Lebens wirklich verstehen können. Der Roboter muss nicht exakt gesagt bekommen, wie stark er ein bestimmtes Teil drücken muss; er muss nur lernen, was „zu viel“ bedeutet, und dann kann er diese Lektion auf alles anwenden, was ihm begegnet. Diese Fähigkeit, subjektive menschliche Kriterien in objektive Maschinensteuerung zu übertragen, deutet auf eine Zukunft hin, in der Roboter unsere fragilsten Besitztümer mit derselben Sorgfalt behandeln können wie wir.