Zum Greifen nah? Ein Blick in die Zukunft des maschinellen Lernens und der Cloud-Robotik mit Ken Goldberg

Von Markkus Rovito
- 5. Dez 2017 - 7 min-LEKTÜRE
Ken Goldberg talks about Dex-Net 2.0
Bildgestaltung: Micke Tong

15 Jahre sind vergangen, seit iRobot seinen Staubsauger-Roboter „Roomba“ erstmals der Öffentlichkeit präsentierte – wo bleibt also bitte der Roboter für den Abwasch und das Wäschefalten? Zwar gibt es heute jede Menge Roboter, die verschiedenste monotone Aufgaben erledigen können – allerdings brauchen die praktischen Helfer nach wie vor viel Übung, bis sie unbekannte physische Gegenstände wahrnehmen und greifen können. Nun soll ein innovativer Ansatz, bei dem mit der Cloud verbundene Roboter zum Einsatz kommen, die Fähigkeit von Maschinen, manuelle Aufgaben zu erlernen, auf Hochtouren bringen.

Ken Goldberg, der an der UC Berkeley einen Lehrstuhl für Ingenieurwissenschaften innehat, und sein Doktorand Jeff Mahler haben kürzlich die Ergebnisse ihres Forschungsprojekt Dex-Net 2.0 veröffentlicht. Dabei lernten Roboter, die mit einem neuronalen Netz für Deep Learning verbunden waren, ihnen bislang unbekannte Gegenstände zu greifen. Statt aus endlosen Versuchsreihen mit physischen Objekten bezogen die Roboter das erforderliche Wissen aus einem synthetischen Datensatz mit 6,7 Millionen Datenpunktwolken. Dabei dienten Beispiele von Griffkonfigurationen mit 3D-Koordinaten als Referenzpunkt für die physische Oberflächenbeschaffenheit von bestimmten Objekten. Da die Cloud-Konnektivität die Verlagerung der Speicher- und Rechenleistung eines einzelnen Roboters in das Netzwerk ermöglicht, wird sowohl die Verwendung von derart umfassenden Datensätzen als auch der Austausch solcher Daten und Ergebnisse mit anderen Robotern, die ebenfalls mit der Cloud verbunden sind, erheblich vereinfacht.

„Wir sind zur Erkenntnis gekommen, dass der Einsatz synthetischer Datensätze einen regelrechten Bootstrapping-Effekt für maschinelles Lernen hat“, erklärt Goldberg. „Der Schlüssel scheinen dabei statistische Strichprobenverfahren zu sein, die es ermöglichen, Greifkonfigurationen zu ermitteln, die auch kleinere Fehler im Zusammenhang mit der Position des Roboters verzeihen.“

Dex-Net 2.0: Greifkonfiguration mit 99-prozentiger GenauigkeitDex-Net 2.0: Greifkonfiguration mit 99-prozentiger GenauigkeitGoldberg weiß, wovon er spricht: Der Mitbegründer des Berkeley Artificial Intelligence Research (BAIR) Lab ist seit über zwanzig Jahren im Bereich der Robotik tätig. Im Rahmen seiner Kunstinstallation Telegarden von 1995, bei der Internetnutzer mittels eines ferngesteuerten Roboterarms Sämlinge pflanzen und gießen durften, schuf Goldberg sogar den weltweit ersten mit dem Internet verbundenen Roboter.

Zwar sind Roboterarme heute in der Lage, vorprogrammierte Funktionen mit unglaublicher Präzision auszuführen, jedoch tun sie sich schwer, wenn es um unbekannte Objekte geht. Während sie beispielsweise erfolgreich für Schweißarbeiten in der Automobilbranche eingesetzt werden, versagen sie häufig, wenn sie neue, bisher unbekannte – oder teilweise sogar bereits vertraute – Autoteile für die Montage greifen sollen.

Genau aus diesem Grund könnte sich Dex-Net 2.0, ein Projekt des AUTOLAB an der UC Berkeley in Kalifornien, als wahrer Segen für die kommerzielle Nutzung von Cloud-Robotik erweisen. Die Möglichkeit, aus enormen synthetischen Datensätzen äußerst präzise Fähigkeiten zu erlernen, könnte in Kombination mit positiven Rückkopplungsschleifen zur Entwicklung von zunehmend fingerfertigen Robotern beitragen, die in unterschiedlichen Bereichen zur helfenden Hand werden könnten: bei der Abfertigung von Waren zum Versand in Lagerhäusern, beim Sortieren oder Aufräumen von allen möglichen Gegenständen in Maschinenhallen oder sogar Haushalten, bei der Montage von Produkten und so weiter.

Ken Goldberg (far left) with AUTOLAB research students Michael Laskey, Jacky Liang, and Sanjay Krishnan.
Ken Goldberg (links) mit seinen Studenten Michael Laskey, Jacky Liang und Sanjay Krishnan, Mitglieder des AUTOLAB-Forschungsteams. Mit freundlicher Genehmigung von Ken Goldberg.

Seine Ergebnisse verdankt Dex-Net 2.0 einer Kombination aus maschinellem Lernen mithilfe neuronaler Netze und statistischen Untersuchungen der physischen Form Tausender greifbarer Gegenstände und Bauteile – von Spielzeug-Haien bis hin zu Schraubdeckeln. Das Netzwerk wertete die Datensätze anhand statistischer Wahrscheinlichkeiten aus, um so vorherzusagen, welche physischen Gegenstände es mithilfe herkömmlicher Robotik-Komponenten und einem handelsüblichen 3D-Sensor greifen könnte. Lag die statistische Wahrscheinlichkeit bei 50 Prozent oder höher, klappte der Versuch auch in der Praxis in 99 von 100 Fällen.

Die Ergebnisse sind sowohl für die Robotik als auch für das maschinelle Lernen von vielversprechender Bedeutung. Deshalb haben Goldberg und Mahler beschlossen, einige Dex-Net-2.0-Daten öffentlich zugänglich zu machen. Das Open-Source-Prinzip – sprich die Freigabe von Code, Designs und weiteren Daten – zählt zu Goldbergs „fünf Elementen der Cloud-Robotik“. Und tatsächlich eröffnet der Austausch von Daten über die Cloud eine weitere aufregende Möglichkeit: eine völlig neue Art der Roboterdidaktik, bei der Roboter von anderen Robotern lernen. Würde ein Roboter beispielsweise in einer Fabrik, einer Lagerhalle oder einem privaten Haushalt auf ein ihm bisher unbekanntes Objekt treffen, könnte er seine darüber neu gewonnenen Erkenntnisse in die Cloud hochladen, um auch andere Roboter daran teilhaben zu lassen.

Auf der anderen Seite werfen die Fortschritte im Bereich der Cloud-Robotik insbesondere in Sachen Datenschutz, Sicherheit, Netzzuverlässigkeit und – für Entwickler besonders wichtig – Urheberschutz eine Reihe potenzieller Probleme auf. „Man möchte natürlich keinen Roboter, der alles in die Cloud hochlädt, was im eigenen Haus, in einem OP-Saal oder in einer Fabrik vor sich geht“, so Goldberg. „Sobald ein Roboter mit der Cloud verbunden ist, ist er anfällig für Hackerangriffe. Gerade deshalb müssen wir auf der Hut sein und nicht mit blindem Optimismus an die Sache herangehen, nach dem Motto: ,Die Cloud wird alle unsere Probleme lösen!’ Fakt ist, dass die Cloud auch neue Probleme aufwirft. Allerdings glaube ich nicht, dass diese Probleme untragbar oder gar ein Argument dafür sind, auf Cloud-Robotik zu verzichten.“

In gewisser Hinsicht gehen derartige Risiken mit dem technischen Fortschritt Hand in Hand. Laut Goldberg gibt es bezüglich der Frage des geistigen Eigentums an 3D-Modellen von urheberrechtlich geschützten Produkten, die in eine Open-Source-Cloud hochgeladen werden, bisher keine Rechtssicherheit. Einige der 3D-Modelle von Dex-Net 2.0 basieren auf urheberrechtlich geschützten Designs. Da es jedoch unmöglich ist, ein Objekt in seiner physischen Form im Reverse-Engineering-Verfahren nachzubilden, sieht Goldberg hier kein Problem für Urheberrechtsinhaber.

Im nächsten Schritt wollen Goldberg und Mahler Dex-Net um Selbstlernkompetenzen erweitern, damit das Netzwerk im Falle eines Fehlers Ausfallanalysen durchführen und eine entsprechende Lösung finden kann. Ziel ist es, die derzeitige Greifgenauigkeit von 98 Prozent bei bekannten Objekten auf 99,999 Prozent zu steigern. Außerdem soll eine Funktion zum wiederholten Greifen von Objekten für unterschiedliche Zwecke wie etwa die Produktmontage hinzugefügt werden. Und nicht zuletzt soll die Fähigkeit von Dex-Net verbessert werden, Gegenstände gezielt aus großen, mitunter unordentlichen Stapeln oder Häufen auszusortieren. Zurzeit stellen Anhäufungen mehrerer Gegenstände noch ein erhebliches Problem für Roboter dar, da diese nicht immer die Ecken und Dimensionen eines Objekts erkennen, das heißt, wo ein Gegenstand aufhört und der nächste beginnt.

„Kinder lassen ständig irgendetwas fallen und heben es wieder auf“, fährt Goldberg fort. „Sie lernen durch aktives Ausprobieren. Man kann den ganzen Tag jemandem beim Tennisspielen zusehen, doch bedeutet das automatisch, dass man das Spiel auf einmal selbst beherrscht? Natürlich nicht. Man muss selbst spielen. Nur so kann man lernen.“

ABB YuMi robot with grips
Im Rahmen von Dex-Net 2.0 kam der kollaborative Zweiarm-Roboter YuMi von ABB zum Einsatz. Mit freundlicher Genehmigung von Menglong Gu.

Laut Goldberg wird es eine Kombination aus analytischen Methoden und datengestütztem Deep Learning brauchen, um es Cloud-Robotern zu ermöglichen, Gegenstände mit der gleichen Fingerfertigkeit wie ein Mensch zu greifen und aufzuheben. „Ich bin davon überzeugt, dass analytische Modelle, die Wissenschaftler über Jahrhunderte hinweg entwickelt haben, weiterhin eine entscheidende Rolle spielen“, betont er. „Momentan ist es allgemein üblich, diese Modelle über Bord zu werfen und sich stattdessen einfach auf datengestützte Deep-Learning-Modelle zu verlassen. Die Lösung besteht jedoch darin, beide Ansätze zu kombinieren.“

Die Entwicklung von Maschinen, die sich anhand künstlicher Intelligenz selbst verbessern, hat zur Entstehung des Konzepts der technologischen Singularität geführt. Diesem liegt die Vorstellung zu Grunde, dass Menschen eine Maschine entwickeln könnten, die intelligenter als die Menschheit selbst ist. Diese Maschine könnte wiederum ein künstlich intelligentes System entwickeln, das ihre eigenen Fähigkeiten übersteigt. Dieser Zyklus könnte sich unendlich oft wiederholen und völlig ungeahnte Ausprägungen künstlicher Intelligenz hervorbringen, die weit über unser Vorstellungsvermögen hinausgehen. Die Folgen einer solchen technologischen Singularität sind unvorhersehbar: Während manche darin ein apokalyptisches Szenario erahnen, begrüßen Technologie-Utopisten eine solche Entwicklung.

Goldberg fällt in keine dieser beiden Kategorien. Vielmehr ist er „Skeptimist“: skeptisch, was sowohl das Weltuntergangsszenario als auch den utopischen Hype um KI angeht. Auf der anderen Seite ist er jedoch optimistisch, dass das Zusammenspiel von Mensch und Maschine erhebliche Vorteile birgt. Als Alternative zur Singularität spricht Goldberg von einer technologischen „Multiplizität“, bei der vielfältige Gruppen von Menschen komplexe Fragen mit der Unterstützung vielfältiger Gruppen von Maschinen zu lösen versuchen.

„Natürlich kann ich die Zukunft nicht genau vorhersagen – aber einen derartigen Zuspruch wie heute habe ich innerhalb der Branche in den letzten 30 Jahren nicht erlebt“, so Goldberg. „Ich bin überzeugt, dass eine ausreichend vielfältige Gruppe von Maschinen immer lernen würde, bessere Entscheidungen zu treffen als eine einzige Maschine.“

Ähnliche Artikel

Erfolgreich!

Sie sind angemeldet

Für alle, die mehr über die Gestaltung der Zukunft wissen wollen.

Unseren Newsletter abonnieren