Roboter wurden lange Zeit darauf programmiert, sich nach einer einzigen, starren Regel zu bewegen: niemals etwas zu berühren, das nicht Teil des eigenen Körpers ist. In der Welt der Robotik wird eine Kollision normalerweise als binärer Fehler betrachtet, als eine Linie im Sand, die eine Maschine nicht überschreiten darf. Dieser Ansatz funktioniert gut in sauberen, leeren Fabriken, in denen jedes Objekt fest an seinem Platz ist, aber er bricht zusammen in der unordentlichen, überfüllten Realität eines menschlichen Zuhauses. Stellen Sie sich vor, ein Roboter versucht, eine Tasse auf einem überfüllten Tisch zu erreichen. Um einen nahen Karton zu vermeiden, müsste der Roboter vielleicht einen langen, gewundenen Umweg nehmen oder er müsste anhalten und den Karton vorsichtig aufheben und beiseite räumen, bevor er fortfährt. Beide Optionen sind langsam und oft unnötig. Ein praktischerer Ansatz würde es dem Roboter erlauben, den Karton sanft beiseite zu schieben, wenn der Karton stabil ist und das Schieben keinen Schaden verursacht. Die Herausforderung liegt darin, zu wissen, welche Objekte sicher zu berühren sind und welche nicht, und zu verstehen, dass das Verschieben eines Gegenstands dazu führen kann, dass dieser gegen einen anderen, potenziell zerbrechlichen Gegenstand weiter hinten stößt.

Forscher der Nanyang Technological University haben ein neues Planungssystem namens CaSCo entwickelt, das Roboter lehrt, diese nuancierten Urteile zu fällen. Anstatt die Welt als eine Karte aus harten Hindernissen zu sehen, die vermieden werden müssen, betrachtet CaSCo die Umgebung als eine Sammlung von Objekten mit unterschiedlichen Risikostufen. Ein Pappkarton könnte ein geringes Risiko darstellen, während eine Glasflasche oder ein Laptop ein hohes Risiko darstellen. Das System nutzt künstliche Intelligenz, um diese Risikowerte zuzuweisen, und führt dann Physiksimulationen durch, um vorherzusagen, was passieren würde, wenn der Roboter sich durch die Szene bewegt. Es prüft nicht nur, ob der Roboter ein Objekt trifft; es berechnet, ob dieser Aufprall eine Kettenreaktion auslösen würde, bei der das erste Objekt gegen ein zweites, wertvolleres Objekt gleitet. Indem es die Konsequenzen jeder möglichen Bewegung abwägt, kann der Roboter einen Pfad finden, der die Gesamtegefahr für die Szene minimiert, selbst wenn dieser Pfad das Berühren mehrerer Objekte mit geringem Risiko beinhaltet.

Der Kern dieser Arbeit ist ein Wechsel von der Frage „Werde ich etwas treffen?“ hin zu „Was passiert, wenn ich es tue?“. In der traditionellen Planung wählt ein Roboter vielleicht einen Pfad, der jeglichen Kontakt vermeidet, selbst wenn dieser Pfad unglaublich lang ist, oder er versucht einfach, ein Hindernis zu entfernen, bevor er sich bewegt. CaSCo nimmt eine Mittelstellung ein. Es erlaubt dem Roboter, gegen ein leichtes Objekt zu stoßen, wenn dies sicherer ist als die Alternative. In einem Testszenario musste ein Roboter beispielsweise ein Ziel auf einem Tisch erreichen, der mit verschiedenen Gegenständen übersät war. Ein Pfad erforderte, dass der Roboter durch eine schmale Lücke zwängt, wobei er jeglichen Kontakt vermeidet, aber einen langen Weg in Kauf nimmt. Ein anderer Pfad beinhaltete das sanfte Wegdrücken eines Pappkartons und einer Tüte Chips. Ein dritter Pfad, der kürzer aussah, hätte erfordert, dass der Roboter an einer Glasflasche und einer Getränkedose vorbeistreift. Das System berechnete, dass der Pfad, der den Karton und die Chips beinhaltete, der insgesamt sicherste war, da die Glasflasche ein hohes Risiko des Zerbrechens oder Verschüttens von Flüssigkeit barg und die Getränkedose wegrollen und etwas anderes treffen könnte. Der Roboter wählte den Pfad, der mehr Objekte berührte, aber das geringste Maß an potenziellem Schaden verursachte.

Um diese Entscheidungen zu treffen, erstellt das System ein mentales Modell der Szene, das sich aktualisiert, während sich der Roboter bewegt. Wenn der Roboter ein Objekt drückt, simuliert das System die Physik dieses Drucks, um zu sehen, wo das Objekt landet. Wenn dieses Objekt dann ein zweites Objekt trifft, registriert das System auch diese sekundäre Kollision. Dies ist entscheidend, da das Risiko einer Bewegung von der aktuellen Anordnung des Raumes abhängt. Das Drücken eines Kartons in den leeren Raum ist harmlos, aber das Drücken desselben Kartons in einen Stapel zerbrechlicher Geschirrteile ist gefährlich. Die Forscher fanden heraus, dass das Ignorieren dieser sekundären Effekte zu schlechten Entscheidungen führt. In ihren Experimenten führte eine Planungsmethode, die nur den direkten Kontakt zwischen dem Roboter und den Objekten betrachtete, oft dazu, dass sie keine Kettenreaktionen verhindern konnte, was zu einem höheren Gesamtrisiko führte. Durch die Berücksichtigung der vollständigen Kaskade von Interaktionen fand CaSCo konsistent Pfade, die sicherer waren als jene, die die Kettenreaktion ignorierten oder alle Objekte als gleich gefährlich behandelten.

Das Team testete ihr System in einer simulierten Umgebung unter Verwendung eines Roboterarms, ähnlich denen, die in Forschungslaboren verwendet werden, und platzierte ihn in zwei Arten von überfüllten Szenen: einer Regal-Erreich-Aufgabe und einer Tischmanipulationsaufgabe. Sie erstellten zwanzig verschiedene Versionen jeder Szene, in denen die Objekte auf verschiedene Weise angeordnet waren, und baten den Roboter, den besten Pfad zu einem Ziel zu finden. Die Ergebnisse zeigten, dass CaSCo jede einzelne Instanz des Problems lösen konnte, während ein traditionelles System, das sich weigerte, etwas zu berühren, in diesen überfüllten Umgebungen völlig versagte. Im Vergleich zu anderen Methoden, die Kontakt zuließen, reduzierte CaSCo das Gesamtrisiko der Interaktionen um eine signifikante Spanne. In den Tischtests beispielsweise erreichte das neue System einen Risikowert von 25,0, während eine Methode, die zwar Risikowerte verwendete, aber die Bewegung der Objekte nach einem Kollisionsende ignorierte, einen Wert von 42,0 aufwies. Dieser Unterschied verdeutlicht, dass es nicht ausreicht, zu wissen, dass ein Objekt zerbrechlich ist; der Planer muss auch verstehen, wie die Bewegung dieses Objekts den Rest der Szene verändert.

Effizienz war ein weiterer Schwerpunkt der Studie. Da das System die Zukunft der Szene für jede mögliche Bewegung simulieren muss, können die Berechnungen sehr schwerfällig und langsam werden. Die Forscher entwickelten eine kluge Abkürzung, die es dem System ermöglichte, unnötige Berechnungen zu überspringen, ohne die Qualität des endgültigen Pfades zu beeinträchtigen. Anstatt jede einzelne Möglichkeit zu simulieren, konzentrierte das System seine Rechenleistung auf die vielversprechendsten Routen und simulierte die Details erst, wenn ein Pfad wie ein starker Kandidat aussah. Dieser Ansatz reduzierte die Zeit, die für die Planung eines Pfades benötigt wurde, in den Tischtests um etwa 79 Prozent, wodurch die Planungszeit von über zwei Minuten auf etwa sechsundzwanzig Sekunden sank. Trotz dieser Beschleunigung fand das System immer noch exakt denselben optimalen Pfad wie eine langsamere, erschöpfendere Methode, was bewies, dass die Abkürzung die Sicherheit der Lösung nicht beeinträchtigte.

Schließlich überführten die Forscher das System von der Computersimulation auf einen echten physischen Roboter, um zu sehen, wie es in der realen Welt abschneidet. Sie richteten einen Arbeitsbereich mit tatsächlichen Objekten ein, darunter Kartons, Flaschen und Dosen, und ließen den Roboter seine Bewegungen planen und ausführen. Der Roboter navigierte erfolgreich durch den Unrat, indem er Objekte mit geringem Risiko sanft zur Seite drückte, um einen Weg freizumachen, während er Objekte mit hohem Risiko vermied. Die Tests in der realen Welt bestätigten, dass das System die Unvorhersehbarkeit physischer Objekte handhaben konnte, wie etwa leichte Variationen darin, wie ein Karton gleitet oder wie eine Dose rollt. Während die Simulation den Großteil der Daten lieferte, zeigten diese realen Demonstrationen, dass die Logik auch dann Bestand hat, wenn der Roboter tatsächlich die Welt berührt. Die Arbeit behauptet nicht, jedes Problem der Roboter-Navigation gelöst zu haben, und die Forscher merken an, dass zukünftige Arbeiten Unsicherheit und komplexere Interaktionen adressieren müssen, aber sie etabliert einen klaren neuen Weg dafür, wie Roboter über Kontakt nachdenken können.

Die Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, Roboter in menschlichen Umgebungen anpassungsfähiger und effizienter zu machen. Indem sie Kollision nicht als Fehler, sondern als kalkuliertes Risiko behandeln, können sich Roboter natürlicher und schneller durch überfüllte Räume bewegen. Sie müssen nicht mehr anhalten und um Erlaubnis bitten, ein Objekt zu bewegen, noch müssen sie lange, gewundene Umwege nehmen, um es zu vermeiden. Stattdessen können sie eine Entscheidung in Sekundenschnelle treffen, basierend auf der Art der Objekte um sie herum, und einen Pfad wählen, der vielleicht ein sanftes Wegschieben eines Pappkartons beinhaltet, um das katastrophale Zerbrechen einer Glasvase zu verhindern. Dieser Ansatz schließt die Lücke zwischen der starren Sicherheit von Industrierobotern und der fließenden, intuitiven Bewegung von Menschen und deutet auf eine Zukunft hin, in der Roboter neben uns in unseren Häusern und Büros arbeiten können, ohne durch den sehr Unrat behindert zu werden, der diese Räume definiert.