Roboter, autonome Autos und Raumfahrzeuge teilen eine grundlegende Herausforderung: Sie müssen sich von einem Ort zum anderen bewegen und dabei die Gesetze der Physik befolgen sowie Hindernissen ausweichen. Um dies zu tun, verlassen sie sich auf einen mathematischen Prozess namens Trajektorienoptimierung, der wie ein Super-Navigator fungiert. Dieser Navigator berechnet ständig den bestmöglichen Pfad, indem er unzählige Variationen von Geschwindigkeit und Richtung testet, um die Route zu finden, die am wenigsten Energie oder Zeit verbraucht. Wenn die Welt einfach und vorhersehbar ist, können Standard-Mathematikwerkzeuge dieses Rätsel perfekt lösen. Aber die reale Welt ist chaotisch. Roboter haben komplexe Gelenke, Autos gleiten auf nassen Straßen und Raumfahrzeuge müssen Trümmer ausweichen. In diesen Situationen wird die Mathematik nichtlinear und schwierig, was den Computer dazu zwingt, eine Reihe von fundierten Vermutungen anzustellen, diese zu verfeinern und den Prozess zu wiederholen, bis er eine Lösung findet, die funktioniert. Dieser iterative Prozess ist das Rückgrat der modernen Bewegungsplanung und ermöglicht es Maschinen, präzise Aufgaben wie das Montieren von Teilen oder das Landen auf anderen Planeten auszuführen.

Doch während diese Maschinen immer leistungsfähiger werden, wird von ihnen verlangt, unter strengeren Regeln zu operieren. Ein Roboterarm muss beispielsweise vermeiden, eine menschliche Hand zu treffen, oder eine Drohne muss in einem schmalen Korridor bleiben. Um diese Regeln durchzusetzen, fügen Computer ihrer Berechnung schwere Strafen (Penalties) hinzu, wann immer ein Pfad droht, eine Beschränkung zu verletzen. Während dies den Roboter zur Einhaltung zwingt, entsteht dabei auch eine verborgene Gefahr: Die Zahlen, die der Computer zur Pfadfindung verwendet, können in ihrer Größe so extrem voneielig auseinanderklaffen, dass die Maschine die Fähigkeit verliert, zwischen ihnen zu unterscheiden. Es ist, als versuche man, die Breite eines einzelnen Haares zu messen, während man neben einem Berg steht; das winzige Detail geht im Rauschen der massiven Skala verloren. Wenn dies geschieht, werden die Berechnungen des Computers instabil, und der Roboter kann entweder gar keinen Pfad finden oder schlimmer noch, einen Pfad berechnen, der auf dem Papier perfekt aussieht, aber physisch unmöglich ist.

In einer kürzlich durchgeführten Studie befassten sich die Forscher Maximilian Haas-Heger und Jur van den Berg von Waabi Innovation Inc. mit diesem Problem der numerischen Instabilität. Sie konzentrierten sich auf einen spezifischen Algorithmus, der als iterativer Linear Quadratic Regulator oder iLQR bekannt ist und weit verbreitet zur Planung dieser komplexen Pfade eingesetzt wird. Das Team entdeckte, dass sie den Algorithmus wesentlich robuster machen konnten, ohne ihn zu verlangsamen, indem sie die Art und Weise änderten, wie er seine interne Mathematik handhabt. Ihre Arbeit dreht sich um eine Technik namens „Wurzelwert“-Formulierung (Square Root Formulation). In der Standardberechnung führt der Algorithmus eine große Tabelle von Zahlen, die die Kosten für jede mögliche Bewegung darstellt. Wenn die Beschränkungen eng gefasst sind, wird diese Tabelle schwer lesbar. Die Forscher erkannten, dass der Algorithmus, anstatt die vollständige Tabelle zu verfolgen, eine einfachere, dreieckige Version davon verfolgen könnte – ganz so, als würde man nur die wesentlichen Zutaten eines Rezepts im Blick behalten, anstatt die gesamte Speisekammer.

Der Schlüssel zu ihrem Erfolg liegt in der Art und Weise, wie sie das Problem vereinfacht haben. Sie behandelten das Ziel des Roboters als gewichtete Summe von Fehlern, ähnlich wie ein Fotograf die Unschärfe in einem Foto minimieren könnte, indem er spezifische Einstellungen anpasst. Durch die Verwendung einer Methode namens Gauss-Newton, die komplexe Kurven durch gerade Linien approximiert, stellten sie sicher, dass die mathematische Struktur des Problems stabil blieb. Dies ermöglichte es ihnen, die schweren, instabilen Berechnungen durch eine leichtere, präzisere Operation namens QR-Zerlegung zu ersetsätzen. Betrachten Sie diese Operation als eine Möglichkeit, einen chaotischen Haufen von Daten in einen ordentlichen, strukturierten Stapel zu organisieren, bei dem jedes Teil perfekt passt, ohne Lücken oder Überlappungen zu hinterlassen. Dieser neue Ansatz ermöglicht es dem Computer, seine Präzision selbst dann beizubehalten, wenn die Strafe für das Verletzen einer Regel enorm hoch wird.

Die Forscher testeten ihre neue Methode in einem anspruchsvollen Szenario, bei dem zwei Roboterarme zusammenarbeiten, um ein starres Objekt zu tragen. Die Arme mussten das Objekt von einem Startpunkt zu einem Ziel bewegen und dabei den Abstand ihrer Griffe zueinander konstant halten – eine Beschränkung, die den Computer dazu zwang, mehrere konkurrierende Anforderungen auszubalancieren. Sie führten Simulationen durch, bei denen die Strafe für die Verletzung dieser Distanzregel auf extreme Werte gesteigert wurde, weit über das hinaus, was ein Standardcomputer normalerweise bewältigen könnte. In diesen Tests begann die traditionelle Methode zu versagen, verlor an Genauigkeit und lieferte schließlich unsinnige Ergebnisse, sobald die Strafe anwuchs. Die neue Wurzelwert-Methode hingegen hielt stand. Sie lieferte weiterhin genaue Pfade, selbst als die Strafe so groß war, dass die Standardmethode bereits völlig zusammengebrochen war. Tatsächlich behielt der neue Ansatz sechs bis sieben signifikante Stellen der Genauigkeit in der Standard-Computerarithmetik bei, während die alte Methode fast alle verloren hatte.

Diese Verbesserung ist nicht nur ein theoretischer Sieg; sie überträgt sich direkt auf die Zuverlässigkeit realer Maschinen. Die Studie zeigte, dass die neue Methode den Optimierungsprozess viel weiter vorantreiben kann, was es Robotern ermöglicht, Beschränkungen mit einer Genauigkeit zu erfüllen, die zuvor unmöglich war. Während die Standardmethode aufgeben könnte, wenn sie gefragt wird, auf eins zu einer Million genau zu sein, kann die neue Methode diese Präzision auf eins zu einer hundert Milliarden steigern. Die Forscher merkten an, dass dieser Gewinn an Präzision mit fast keinen zusätzlichen Kosten für die Rechenzeit einhergeht; sie fügt der Zeit, die zur Lösung eines Problems benötigt wird, weniger als drei Prozent hinzu. Das bedeutet, dass Ingenieure die neue Methode als direkten Ersatz für die alte verwenden können, was ihre Roboter sofort fähiger macht, schwierige, hochriskante Aufgaben zu bewältigen.

Das Paper thematisiert auch, warum diese spezifische Verbesserung bisher nicht weit verbreitet war. Obwohl ähnliche „Wurzelwert“-Techniken seit Jahrzehnten in Navigationssystemen wie dem Kalman-Filter verwendet werden, waren sie für die Trajektorienoptimierung schwieriger anzuwenden, da die Mathematik komplexer ist. Frühere Versuche, eine Wurzelwert-Version von iLQR zu erstellen, waren entweder zu kompliziert in der Anwendung oder numerisch unterlegen. Die Autoren argumentieren, dass ihr Ansatz anders ist, da er die spezifische Struktur des Problems nutzt, um die Mathematik zu vereinfachen und jeden Schritt auf eine einzige, elegante Operation zu reduzieren. Sie legen nahe, dass es für jeden Roboter, der einen Pfad unter strengen Beschränkungen plant, keinen Grund gibt, nicht diese stabilere Methode zu verwenden – so wie Ingenieure sich nicht für ein instabiles Navigationssystem für ein Raumfahrzeug entscheiden würden.

Letztendlich zeigt die Arbeit, dass die Grenzen der Bewegung von Robotern oft nicht durch die Gesetze der Physik definiert werden, sondern durch die Grenzen der Fähigkeit des Computers, diese zu berechnen. Durch die Verfeinerung der Art und Weise, wie diese Berechnungen durchgeführt werden, haben die Forscher eine bedeutende Barriere beseitigt und es Maschinen ermöglicht, komplexere und gefährlichere Umgebungen mit größerer Zuversicht zu navigieren. Die Studie bestätigt, dass wir mit den richtigen mathematischen Werkzeugen die Grenzen dessen verschieben können, was autonome Systeme erreichen können, und sicherstellen, dass sie selbst dann präzise und zuverlässig bleiben, wenn der Einsatz am höchsten ist.