Runtime Safety Filtering for Two-Terminal Hazards in Robotic Battery Recycling

Roboter lernen, filigrane Arbeiten auszuführen, wie etwa das Sortieren und Recyceln der Batterien, die unsere moderne Welt antreiben. Um sie zu lehren, nutzen Forscher oft künstliche Intelligenz, die durch das Beobachten von Videos lernt, in denen Menschen Aufgaben ausführen. Diese Systeme, bekannt als Vision-Language-Action-Modelle, können verstehen, wie man eine Batterie aufhebt oder ein Werkzeug bewegt, indem sie lediglich eine Szene betrachten und eine einfache Anweisung verstehen. Es gibt jedoch eine Lücke zwischen dem, was diese intelligenten Systeme wissen, und dem, was sie sicher ausführen können. Ein Roboter könnte zwar verstehen, dass er eine Batterie von Punkt A nach Punkt B bewegen muss, aber er erkennt vielleicht nicht, dass das Bewegen der Batterie zu nah an ein bestimmtes Metallteil einen gefährlichen elektrischen Kurzschluss verursachen könnte. Um diese Lücke zu schließen, verwenden Ingenieure einen „Sicherheitsfilter“. Stellen Sie sich diesen Filter als einen wachsamen Aufseher vor, der zwischen dem Gehirn des Roboters und seinen Muskeln steht. Der Aufseher beobachtet jede Bewegung, die der Roboter planen möchte. Wenn eine Bewegung so aussieht, als würde sie eine Sicherheitsregel verletzen, stoppt der Aufseher sie und sagt dem Roboter, stattdessen etwas anderes zu tun. Die Herausforderung besteht darin, genau festzulegen, was als eine gefährliche Bewegung gilt, und zu entscheiden, was der Roboter tun soll, wenn ihm gesagt wird, anzuhalten.

Im speziellen Fall des Batterierecyclings ist die Gefahr einzigartig. Eine Batteriezelle besitzt zwei Metallpole, einen positiven und einen negativen. Wenn ein Stück Metall, wie etwa das Batteriegehäuse selbst oder ein Werkzeug, beide Pole gleichzeitig berührt, entsteht eine Brücke, die es der Elektrizität ermöglicht, dorthin zu fließen, wo sie nicht fließen sollte, was einen Kurzschluss verursacht. Dies unterscheidet sich von einer Standardkollision, bei der das Anstoßen an ein einzelnes Objekt das Problem darstellt. Hier besteht die Gefahr nur dann, wenn der Roboter sich gleichzeitig beiden Polen nähert. Ein Roboter könnte sehr nah an einem Pol sein und völlig sicher agieren, aber in dem Moment, in dem er sich dem zweiten Pol nähert, während er noch in der Nähe des ersten ist, tritt das Risiko auf. Forscher der National University of Singapore und mehrerer australischer Universitäten unternahmen den Versuch, herauszufinden, wie man diese Sicherheitsaufseher am besten programmiert, um mit dieser spezifischen „Zwei-Pol-Gefahr“ umzugehen. Sie wollten wissen, ob die Art und Weise, wie die Gefahr definiert wird, wichtiger ist als das, was der Roboter tut, wenn er gestoppt wird.

Das Team baute eine simulierte Umgebung unter Verwendung eines Standard-Robotik-Testbeds namens LIBERO, bei dem ein Roboterarm ein Lebensmittel bewegen musste, das als Stellvertreter für ein leitfähiges Batterie-Teil fungierte, über eine Werkbank. Sie programmierten den Roboter mit einer eingefrorenen KI-Policy, was bedeutete, dass das Entscheidungssystem des Roboters festgeschrieben war und während des Tests keine neuen Tricks lernen konnte. Die Forscher testeten daraufhin verschiedene Versionen des Sicherheitsfilters. Zuer Sie testeten verschiedene Wege, die „Gefahrenzone“ zu definieren. Eine Version nutzte eine einfache Regel: halte Abstand zu entweder einem der Pole. Eine andere nutzte eine komplexere Regel: halte Abstand zu dem Bereich, in dem du beide Pole gleichzeitig berühren könntest. Sie testeten auch einen hybriden Ansatz, der beide Regeln kombinierte. Entscheidend war, dass sie diese Regeln nicht nur bei einem festen Abstand testeten. Sie passten die „Margin“, oder den Pufferbereich, für jede Regel an, um zu sehen, wie viel Platz benötigt wurde, um den Roboter sicher zu halten, ohne ihn zu oft zu stoppen.

Was sie fanden, war überraschend. Als sie die Pufferzonen für jede Regel anpassten, um das bestmögliche Gleichgewicht zwischen Sicherheit und der Erledigung der Aufgabe zu finden, zeigten alle drei Definitionen der Gefahrenzone eine fast identische Leistung. Unabhängig davon, ob der Aufseher nach einer einfachen „Halte-Abstand-zu-einem“-Regel oder einer komplexen „Halte-Abstand-zu-beiden“-Regel suchte, waren die Ergebnisse nahezu identisch, sobald der Abstand korrekt abgestimmt war. Dies deutet darauf hin, dass die spezifische Form der Sicherheitsregel weniger wichtig ist als die korrekte Einstellung des Abstands. Der wahre Unterschied lag darin, was der Roboter tat, wenn der Aufseher „Stopp“ sagte.

Die Forscher testeten vier verschiedene Arten, wie der Roboter reagieren kann, wenn eine Bewegung abgelehnt wird. Die erste war, einfach stillzustehen, was den Roboter an Ort und Stelle einfriert. Die zweite war das „Zurückweichen“, wobei sich der Roboter vom Betreiber weg bewegt. Die dritte war die „Sample Search“ (Stichproben-Suche), bei der der Roboter einige leicht andere Bewegungen ausprobte, um zu sehen, ob eine davon sicher ist. Die vierte war eine komplexe mathematische Projektion, die versuchte, die sicherste mögliche Bewegung zu finden, die immer noch sehr nah an dem ursprünglichen Ziel des Roboters lag. Die Ergebnisse zeigten, dass die „Stillhalte“-Strategie die schlechteste war. Sie verhinderte, dass der Roboter seine Aufgabe vollendete, etwa 30 Prozent häufiger als die „Zurückweichen“-Strategie, ohne die Umgebung tatsächlich sicherer zu machen. Der Roboter saß einfach nur da und scheiterte daran, den Job zu erledigen. Andererseits erlaubten die Strategien, die minimal invasiv waren, wie die mathematische Projektion oder die Stichproben-Suche, dass der Roboter seine Aufgabe häufiger vollendete, aber sie ließen ein wesentlich höheres Risiko, dass der Robster der Gefahrenzone zu nahe kommt. Die „Zurückweichen“-Strategie, bei der sich der Roboter deutlich von der Gefahr entfernte, bot das beste Gleichgewicht: Sie hielt den Roboter sicher und ermöglichte es ihm, seine Aufgabe fast so oft zu vollenden wie der ungefilterte Roboter.

Die Studie untersuchte auch, wie sich diese Filter verhielten, wenn der Roboter Fehler machte oder sich die Umgebung änderte. Sie testeten das System mit einer anderen Roboter-Policy und anderen Batterieformen, und die „Zurückweichen“-Strategie blieb am effektivsten. Sie simulierten sogar Fehler bei der Messung der Abstände durch den Roboter. Sie fanden heraus, dass der Sicherheitsfilter viel weniger effektiv war, wenn der Roboter sich über die Größe des gehaltenen Objekts irrte, als wenn er sich nur leicht über die Position der Pole irrte. Dies unterstreicht, dass das Wissen über die Größe der Nutzlast ebenso kritisch ist wie das Wissen über den Ort der Gefahrenstellen. Darüber hinaus entdeckten sie, dass ein Sicherheitssystem, das nur auf physischen Kontakt prüft, völlig versagen würde. Viele der gefährlichen Momente traten auf, als das Objekt noch einige Millimeter von den Polen entfernt war – eine Distanz, die zu klein für eine Berührung, aber groß genug für einen Kurzschluss war. Ein kontaktbasierter Monitor hätte diese Ereignisse gänzlich übersehen.

Letztendlich zeigt diese Forschung, dass für Roboter, die mit gefährlichen Materialien hantieren, der wichtigste Teil des Sicherheitssystems nicht unbedingt die komplexe Mathematik zur Definition der Gefahr ist, sondern die einfache, klare Entscheidung darüber, was zu tun ist, wenn die Gefahr erkannt wird. Ein Aufseher, der dem Roboter sagt, zurückzuweichen, ist weita viel effektiver als einer, der ihm sagt, einzufrieren, oder einer, der versucht, ihn nur ein kleines Stück zur Seite zu schieben. Die Studie, die vollständig in einer High-Fidelity-Simulation durchgeführt wurde, bietet einen klaren Fahrplan für den Bau sichererer Roboter. Sie legt nahe, dass Ingenieure sich weniger darauf konzentrieren sollten, neue, komplexe geometrische Regeln für Gefahren zu erfinden, sondern vielmehr darauf, eine robuste, klare Reaktionsstrategie zu wählen, die den Roboter von Risiken wegführt und ihm dennoch ermöglicht, seine Arbeit zu vollenden. Während sich die Welt in Richtung der Automatisierung des Recyclings von Millionen von Batterien bewegt, bieten diese Erkenntnisse einen praktischen Leitfaden dafür, sicherzustellen, dass die Maschinen, die die Arbeit verrichten, nicht versehentlich genau die Gefahren verursachen, die sie eigentlich bewältigen sollen.