Bildungsreform für Roboter – Imitiert statt programmiert

Der Vorgesetzte zeigt, der Lehrling schaut zu, probiert, macht Fehler, wird korrigiert – und nach einigen Wiederholungen sitzt die Bewegung im Muskelgedächtnis. Seit Jahrhunderten geben Handwerksmeister und -meisterinnen ihr Wissen durch Vormachen an Auszubildende weiter. Das Prinzip „learning by doing“ prägte ganze Generationen. Und heute? Heute steht im Labor des Instituts für Fördertechnik und Logistiksysteme (IFL) am KIT ein „Lehrling“, der keine Muskeln, keine Erfahrung und keine Stimme für Rückfragen hat. Lediglich ein hochtechnisches Robotersystem aus Sensoren, motorisierten Gelenken und Algorithmen. Dennoch soll es lernen wie in der Lehrwerkstatt. „Unsere Vision ist, dass ein Roboter in wenigen Stunden angelernt werden kann, genauso wie ein neuer Mitarbeitender“, sagt Professorin Rania Rayyes, die die Forschungsgruppe für KI & Robotik am IFL leitet.

Die neue Schule der Robotik

Was nach Mensch-Maschine-Illusion klingt, wird am KIT bereits Realität. Im Projekt HaptXDeep entwickelt Rayyes mit ihrem Team ein KI-System für Roboter, das sich neue Fähigkeiten nicht mehr mühselig anprogrammieren lässt, sondern sie wie ein Lehrling intuitiv und unmittelbar durch Nachahmen erlernt. Ein teleoperativer Handschuh, gesteuert vom Menschen, ersetzt dabei die Theorie an der Tafel, eine hochmoderne Roboterhand die Werkbank. Doktorand Edgar Welte zeigt es vor. Er streift den haptischen Handschuh über, bewegt die Finger – die Roboterhand mit taktilen Sensoren macht es ihm gleich. Greifen, drehen, schwenken und ablegen. Bereits nach wenigen Demonstrationen durch Welte kann der Greifroboter selbstständig agieren und die Aufgabe ausführen. Dieses neuentwickelte System zur adaptiven Automatisierung von Robotern baut auf einen Lernprozess, der dem menschlichen erstaunlich nahekommt. Durch Imitieren und Wiederholen. „Wenn der Roboter Fehler macht, kann der Mensch eingreifen und korrigieren. Diese Korrekturen sind besonders wertvoll für das Lernen“, betont Welte.

Hände, die Zukunft formen

Während der Roboter scheinbar nur nachahmt, passiert im Hintergrund etwas Entscheidendes: Ein KI-System vom IFL fühlt mithilfe hochsensibler Sensoren in den Fingerspitzen des Roboters mit, speichert, versteht und lernt. Kein starres Abarbeiten von programmierten Befehlen, sondern echtes Lernen durch Vormachen. „Der einzigartige Aufbau macht es uns möglich, dem Roboter Aufgaben wirklich in der Bewegung zu zeigen. Das System ‚fühlt‘, wie die Aufgabe durchzuführen ist“, berichtet Welte. Für Maschinen war dieses Gespür bislang ein blinder Fleck. Der steuernde Handschuh überträgt dabei nicht nur die Bewegungen der menschlichen Hand auf den Roboter, sondern er sendet wertvolle Berührungsinformationen mit physischem Feedback zurück. „Wenn die Roboterhand auf Widerstand trifft, spürt der Mensch, was der Roboter fühlt – eine Art ‚taktiler Dialog‘ zwischen Mensch und Maschine. Wir nutzen all diese Informationen in der Interaktion, um unser KI-System zu trainieren, sodass der Roboter das durch die Objekte erzeugte taktile Feedback auswerten und daran angepasst adaptiv greifen kann“, erklärt der Entwickler Welte.

Industrie unter Reformdruck

Wie bei jeder Reform steht am Anfang keine Maschine, sondern ein Problem, das größer ist als Technik: Die Industrie ist mit steigendem Fachkräftemangel, dem Wandel zur Kreislaufwirtschaft sowie immer variantenreicheren Produkten mit sich verkürzenden Produktlebenszyklen konfrontiert. „Wir brauchen Roboter, die sich in dynamischen Produktionsumgebungen bewegen können – ohne, dass jedes Mal ein Experte alles neu programmieren muss. Roboter, die neue Fertigkeiten schnell erfassen und flexibel anwenden können – selbst wenn sich die Aufgabe jedes Mal ein wenig verändert. Sonst bleibt die Vision der Kreislauffabrik und des Remanufacturing reine Theorie“, sagt Rayyes. 

Neue Skills für Musterschüler

Viele Roboter in der industriellen Automation sind Musterschüler einer alten Schule: Sie können eine Aufgabe perfekt ausführen, solange sich nichts ändert. Doch in modernen Fabriken ändert sich ständig alles. Ein gebrauchtes Bauteil kommt zurück ins Werk: Kratzer, Verformungen, verschiedene Generationen, unbekannte Zustände. Jedes recycelte Produkt ist ein Unikat. „Heutige Roboter lernen nicht“, sagt Rayyes nüchtern: „Deshalb wird fast alles noch klassisch programmiert – das dauert Monate und lohnt sich bei wechselnden Produkten kaum.“ Die Robotik steht vor der Herausforderung, die langen Lernphasen zu verkürzen, ohne Abstriche bei Sicherheit und Zuverlässigkeit zu machen. „Eine neue Art des Anlernens, wie wir sie bei HaptXDeep erforschen, könnte das ändern – und endlich skalierbare Automatisierung für kleinere Betriebe möglich machen“, bekräftigt Welte.

Warum Menschen schnell lernen – Roboter (noch) nicht

Ein Mensch muss nicht jeden Schraubendreher auf der Welt kennen, um zu verstehen, wie man ihn hält und benutzt. Unser Gehirn ist ein Meister der Verallgemeinerung: Eine Handvoll Beispiele reichen aus, um die zugrunde liegenden Regeln abzuleiten. Für KI ist dies nach wie vor eine große Hürde. Viele Systeme benötigen riesige Datenmengen, bevor sie begreifen, was für Menschen offensichtlich ist: dass Blau ähnlich wie Grün ist, dass sich eine gebrauchte Maschine anders anfühlt als eine neue, aber dennoch die gleiche Aufgabe erfüllt. Die Robotik steht nun vor der Herausforderung, diese langen Lernphasen zu verkürzen, ohne dabei die Sicherheit und Zuverlässigkeit zu beeinträchtigen. „Eine neue Art des Lernens, wie wir sie bei HaptXDeep erforschen, könnte das ändern – und endlich eine skalierbare Automatisierung für kleinere Unternehmen ermöglichen“, bekräftigt Welte.

Von der menschlichen Hand zum Robotergreifer

Viele komplexe Manipulationsaufgaben werden mit hochpräzisen Roboterhänden demonstriert, während Fabriken oft auf einfache, robuste Parallelgreifer zurückgreifen. Das Team am KIT arbeitet daran, diese Lücke zu schließen. In aktuellen Arbeiten werden groß angelegte Bildverarbeitungsmodelle verwendet, die anhand von Internetvideos trainiert wurden, um anhand eines kurzen RGB-Videos einer menschlichen Demonstration zu lernen, ein neues Objekt zu greifen. Durch die Kombination von Wissen darüber, wie Menschen Objekte greifen und welche Teile der Hand mit ihnen in Kontakt kommen, kann das System realistische Greifpositionen für einen Parallelgreifer vorschlagen. Darauf aufbauend wird sich die zukünftige Forschung auf Methoden konzentrieren, die Manipulationsfähigkeiten von geschickten Roboterhänden auf industrielle Greifer übertragen – so dass die im Labor erlernten Fähigkeiten mit minimalem Mehraufwand auf zuverlässige Fabrikhardware übertragen werden können.

Dem Lehrplan voraus

„Wir nutzen Unsicherheit als Lernsignal. Dieser Ansatz, bekannt als unsicherheitsbewusstes Lernen, hilft Robotern in erster Linie dabei, sicherer, robuster und zuverlässiger zu agieren, da sie neben einer Aktion oder Wahrnehmung immer auch ihre eigene Unsicherheit berücksichtigen“, erklärt Rayyes. „Die KI-Systeme, die wir im Rahmen des SFB-Projekts Circular Factory entwickelt haben, zeigen, dass sich der Roboter sehr schnell an neue Objekte und Änderungen in der Aufgabe anpassen kann.“ In Situationen mit hoher Unsicherheit können Roboter ausfallen, langsamer werden oder stehen bleiben. Es handelt sich um ein geschlossenes Lernsystem, in dem der Roboter gewissermaßen ein eigenes Körperbewusstsein entwickelt. Und vielleicht wird es eines Tages selbstverständlich sein, dass Roboter nicht mehr programmiert, sondern trainiert werden.

Weiterführende Links:

• Weitere Informationen
• Video

Bilder:

• Midjourney
• Daniel Kubus / KIT
• Amadeus Brahmsiepe / KIT