Ein Spielzeug am Boden erkennen, danach greifen und es erfolgreich aufheben – eine Aufgabe, die schon Kleinkinder beherrschen sollten. Für Menschen also kinderleicht, nicht so für Maschinen: Allein das Öffnen von Türen bringt so manchen Roboter an seine Grenzen. Diese menschlich alltäglichen Dinge – wie eben der schnelle Griff nach einem unbekannten Objekt – wollen Entwickler bei Google nun Robotern beibringen, beziehungsweise sollen Roboter sie sich selbst lehren. Dafür haben die Forscher in einer Studie bis zu 14 Roboterarme über ein Convolutional Neural Network, ein künstliches neuronales Netzwerk aus dem Bereich des maschinellen Lernens, miteinander verbunden.
„Unser Ansatz besteht aus zwei Teilen“, schreiben sie: „Der erste Part ist ein künstliches neuronales Netzwerk, das darauf trainiert ist, Prognosen zu erstellen. Der zweite ist eine Servo-Funktion, die das Convolutional Network benutzt, um den Roboterarm zu einem erfolgreichen Griff zu steuern.“ Über mehrere Monate hinweg ließen die Forscher zwischen vier und 14 Roboterarme kontinuierlich und immer wieder in Kisten greifen, die mit verschiedenen Objekten befüllt waren. Wenn die Automaten tatsächlich eines der Objekte – etwa einen Stift, eine grüne Gummiente oder eine rote Trillerpfeife – herausholten, war das zu Beginn der Studie noch reiner Zufall.
Die einzige menschliche Interaktion bestand darin, die Kisten wieder aufzufüllen, die Maschinenarme zu aktivieren und nach Roboter-Feierabend die aufgezeichneten Daten der erfolgreichen und weniger erfolgreichen Versuche abzuholen. Diese Informationen dienten als Trainingsmaterial für das Convolutional Neural Network. Mit jedem Daten-Update konnte die KI besser antizipieren, welche Bewegungen erfolgreich sein könnten und welche nicht: Im Laufe der insgesamt über 800.000 Greifversuche fingen die vernetzten Roboterarme an, ihre Aktionen selbst zu korrigieren.
Schon bald wurden ihre Bewegungen sicherer, die zangenartigen Hände am Ende der Arme packten mit größerer Genauigkeit Objekte aus der Kiste – und schienen sogar eine Art Strategie zu entwickeln: Sie schoben andere Objekte beiseite und nutzten unterschiedliche Greiftechniken für weiche und harte Objekte. Dadurch konnten die Wissenschaftler den Anteil der Fehlversuche auf 18 Prozent reduzieren. Die Wissenschaftler planen nun, ihre Testreihe weiter auszuweiten.
