Stellen Sie sich eine Roboterhand vor, die versucht, ein zerbrechliches Ei, eine rutschige Zitrone oder einen schweren Hammer aufzuheben. Im Gegensatz zu einem Menschen, dessen Finger instinktiv Textur, Gewicht und Rutschigkeit eines Objekts fühlen, um den Griff in Bruchteilen einer Sekunde anzupassen, verlässt sich ein Roboter normalerweise auf Kameras oder vorprogrammierte Anweisungen. Wenn sich das Objekt auch nur minimal verschiebt oder die Oberfläche glatter als erwartet ist, verliert der Roboter oft den Halt. Jahrzehntelang haben Wissenschaftler versucht, Robotern die Geschicklichkeit einer menschlichen Hand bei der Manipulation von Objekten beizubringen – eine Aufgabe, die die Koordination von Dutzenden winziger Gelenke und die Reaktion auf ständigen physischen Kontakt erfordert. Die Herausforderung besteht nicht nur darin, die Hand an eine Stelle zu bewegen, sondern ein feines, sich ständig änderndes Druckgleichgewicht aufrechtzuerhalten, während sich das Objekt innerhalb des Griffs dreht, rollt oder gleitet.

Ein Team von Forschern bei Sharpa Robotics hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem es sich darauf konzentriert, wie ein Roboter lernen kann, Objekte neu auszurichten – sie umzudrehen oder zu drehen – wobei der Tastsinn als primärer Leitfaden dient. Ihre Arbeit, die unter dem Titel TacBPM präsentiert wurde, adressiert einen spezifischen Engpass im Roboterlernen: die Schwierigkeit, einer Maschine beizubringen, die richtige Sequenz von Fingerbewegungen zu entdecken, ohne den Kontakt zu unterbrechen oder den Gegenstand fallen zu lassen. Anstatt den Roboter zu zwingen, jede mögliche Bewegung von Grund auf neu zu lernen, schufen die Forscher einen „Verhaltens-Prior“ (Behavior Prior), der als eine fundamentale Bibliothek sicherer, kontaktreicher Bewegungen fungiert. Diese Bibliothek wurde aufgebaut, indem der Roboter an vielen verschiedenen Größen von Kugeln trainiert wurde, wodurch er lernte, Objekte unterschiedlicher Skalierung zu rollen und zu halten. Die entscheidende Innovation ist, dass diese Bibliothek nicht nur aus einer Reihe visueller Anweisungen besteht; sie ist an taktiles Feedback gekoppelt, was bedeutet, dass das interne Leitsystem des Roboters ständig prüft, was seine Fingerspitzen fühlen, um die nächste Bewegung zu entscheiden.

Die Forscher trainierten ihr System mit einer Methode namens Destillation, bei der sie acht verschiedene Experten-Policies (Strategien) nahmen, von denen jede auf eine Kugel einer spezifischen Größe – von sehr klein bis groß – spezialisiert war, und deren Wissen in einen einzigen, kompakten Controller komprimierten. Dieser Controller gibt keine Roh-Motorbefehle für die zweiundzwanzig Gelenke der Roboterhand aus. Stattdessen generiert er eine hochgradig abstrahierte „latente“ Aktion, eine vereinfachte Anweisung, die ein sicheres, kontaktstabiles Bewegungsmuster repräsentiert. Der Roboter lernt dann, kleine Anpassungen an dieser Anweisung basierend auf der spezifischen Aufgabe vorzunehmen. Indem der Kern der taktilen Führung eingefroren bleibt und der Roboter nur erlaubt wird, kleine Korrekturen vorzunehmen, vermeidet das System das chaotische Ausprobieren durch Versuch und Irrtum, das normalerweise dazu führt, dass Roboter Objekte fallen lassen. Die Studie zeigt, dass der Roboter, wenn ihm ein neues Objekt gegeben wird, das er noch nie zuvor gesehen hat, wie etwa ein Block, eine Flasche oder ein Werkzeug mit unregelmäßiger Form, dennoch erfolgreich sein kann, weil er sich auf die taktilen Muster verlässt, die er von den Kugeln gelernt hat.

In einer Testreihe evaluierten die Forscher, ob dieser Ansatz auch Objekte handhaben konnte, die keine Kugeln waren, sowie Aufgaben, die komplexer als einfache Rotation waren. Sie ließen den Roboter Objekte in spezifische Winkel drehen, sie um spezifische Achsen rotieren und sogar eine vollständige Sequenz aus Greifen, Anheben, Bewegen und Platzieren eines Objekts an einer neuen Position ausführen. Im Vergleich zu Robotern, die versuchten, diese Aufgaben durch zufälliges Bewegen ihrer Gelenke von Grund auf zu lernen, schnitt das TacBPM-System signifikant besser ab. In Simulationen scheiterte der Standardansatz oft daran, einen stabilen Weg zu finden, das Objekt zu halten, was zu Abstürzen oder festgefahrenen Positionen führte, während das taktil-konditionierte System die Aufgaben in der überwiegenden Mehrheit der Versuche erfolgreich abschloss. Beispielsweise erreichte die neue Methode bei der Rotation eines Blocks oder einer Flasche zu einer Zielorientierung Erfolgsraten von nahezu neunzig Prozent, während der Standardansatz kaum die zehn Prozent-Marke erreichte.

Die Studie testete das System auch auf einem realen Roboterarm, der mit derselben geschickten Hand ausgestattet war. Ohne zusätzliches Training auf der physischen Hardware wurde die in der Simulation gelernte Policy direkt auf die reale Welt übertragen. Der Roboter konnte verschiedene Werkzeuge, darunter einen Gummihammer und einen blauen Pinsel, erfolgreich greifen, anheben und in Zielpositionen bewegen. Er konnte auch Objekte wie einen Tennisball und einen Eckblock entlang spezifischer Richtungen rotieren und dabei den Befehlen folgen, sie nach links, rechts, oben oder unten zu drehen. In diesen realen Versuchen gelang es dem Roboter, der den taktilen Prior nutzte, einen Eckblock in einem einzigen Versuch um mehr als sechshundert Grad zu rotieren, während andere Methoden oft den Kontakt verloren oder das Objekt ganz fallen ließen. Die Forscher stellten fest, dass das System besonders robust war, wenn sich die Form oder Größe des Objekts änderte, was darauf hindeutet, dass die taktile Führung dem Roboter half, sich an neue Geometrien anzupassen, ohne die Grundlagen des Haltens neu lernen zu müssen.

Eine der bedeutendsten Erkenntnisse war, dass das System selbst dann funktionierte, wenn der Roboter aufgefordert wurde, Objekte zu handhaben, die er während des Trainings nie gesehen hatte. Die Forscher testeten den Roboter mit Formen wie einem Mülleimer, einer Erdbeere und einem mehrflächigen Block, von denen keiner verwendet wurde, um die ursprüngliche Bibliothek der Kugelfunktionen aufzub%。 Der Roboter war in der Lage, sein Wissen zu generalisieren, indem er die taktilen Muster, die er von den Kugeln gelernt hatte, nutzte, um zu verstehen, wie er diese unbekannten Gegenstände greift und dreht. Dies deutet darauf hin, dass der Tastsinn eine universelle Sprache der Manipulation bietet, die über spezifische Formen hinausgeht. Die Studie untersuchte auch ein Szenario, in dem der Roboter kompakten Kommandos folgen musste, wie etwa „rotieren um die vertikale Achse“, anstatt einen spezifischen Endwinkel zu erhalten. Das System lernte, diese Richtungen zu interpretieren und seine Fingerbewegungen entsprechend anzupassen, während es einen stabilen Griff beibehielt, während das Objekt rotierte.

Die Forscher waren sorgfältig darauf bedacht, zu zeigen, dass der Erfolg ihrer Methode stark von der taktilen Information abhing. Als sie die Berührungssensoren aus dem System entfernten und sich nur auf die Position der Robotergelenke verließen, sank die Leistung erheblich, insbesondere bei Objekten, die rutschig oder unregelmäßig geformt waren. Dies bestätigte, dass der Roboter das Objekt fühlen musste, um zu wissen, wann er seinen Griff anpassen oder seine Strategie ändern muss. Die Studie zeigte auch, dass das System auf verschiedene Arten von Robotern angepasst werden konnte. In einem separaten Test, bei dem ein Arm und eine Hand zusammenarbeiteten, ermöglichte dasselbe Trainingsparadigma dem Roboter, verschiedene Werkzeuge zu greifen, anzuheben und zu transportieren, was bewies, dass der Ansatz über eine einzelne Hand hinaus auf komplexere Roboterstrukturen skalierbar ist.

Die Arbeit erhebt nicht den Anspruch, jedes Problem der Robotermanipulation gelöst zu haben, und die Forscher räumen ein, dass es Grenzen gibt, wie gut das System auf Objekte extrapolieren kann, die sich drastisch von den Trainingsbeispielen unterscheiden. Wenn der Roboter beispielsweise aufgefordert wurde, eine Kugel zu handhaben, die wesentlich größer war als alle, die er zuvor gesehen hatte, sank seine Erfolgsquote, was darauf hindeutet, dass das System immer noch Grenzen hat. Dennoch zeigen die Ergebnisse deutlich, dass es möglich ist, Maschinen durch die Verankerung ihres Lernens in taktilem Feedback und die Bereitstellung einer stabilen Basis kontaktreicher Verhaltensweisen eine Geschicklichkeit beizubringen, die zuvor unerreichbar war. Die Studie legt nahe, dass die Zukunft der Robotermanipulation möglicherweise nicht darin liegt, Roboten beizubringen, jedes Detail eines Objekts zu sehen, sondern ihnen beizubringen, sich durch das Gefühl den Weg zu bahnen, wobei der Tastsinn als primärer Leitfaden für Stabilität und Kontrolle dient.