Im Soft Robotics Lab der ETH Zürich wirkt die Zukunft greifbar. Zwischen künstlichen Fingern, Sensoren und Spielzeugobjekten wird dort an Robotern geforscht, die nicht mehr starr, sondern weich, beweglich und lernfähig sind. Insgesamt arbeiten fast zwanzig Forschende aus verschiedenen Disziplinen gemeinsam an dem Ziel, Robotern Geschicklichkeit beizubringen.
Weg von Motoren
Geleitet wird das Labor von Robert Katzschmann. Er lässt sich bei der Entwicklung neuer Roboter vom menschlichen Körper und von Tieren inspirieren. Statt Motoren in den Gelenken kommen bei modernen Roboterhänden künstliche Sehnen zum Einsatz. Diese bewegen die Finger über spezielle Gelenke, zu vergleichen mit Muskeln und Knochen beim Menschen.
Lernen statt Programmieren
Eine Schlüsselrolle spielt dabei das maschinelle Lernen. Statt jede Bewegung mühsam zu programmieren, lernen Roboter ihre Aufgaben selbst. Katzschmann spricht bewusst nicht von «Intelligenz», sondern von Lernverfahren. Diese haben sich in der Robotik breit durchgesetzt.
Greifen wie ein Mensch
Um Robotern das Greifen beizubringen, setzen die Forschenden auf Verstärkungs- und Imitationslernen. Menschen tragen dabei Handschuhe mit Sensoren und Kameras, ihre Bewegungen werden aufgezeichnet und in grossen Datensätzen verarbeitet. Trainiert wird ein sogenanntes Transformer-Modell, ähnlich jenen, die auch in Sprach-KI eingesetzt werden. Das Ergebnis sind Roboterhände, die selbst unbekannte Objekte sicher greifen können. Aus dieser Forschung entstand 2024 das ETH-Spin-off Mimic Robotics.
Training in der Cloud
Auch andere Forschungsgruppen setzen auf maschinelles Lernen. Mithilfe von Reinforcement Learning probieren Roboter Bewegungen aus und verbessern sich durch Bewertungssysteme. Besonders effizient ist das Training in virtuellen Umgebungen. Tausende Roboter lernen gleichzeitig in Simulationen. Dafür arbeitet die ETH unter anderem mit Nvidia zusammen.
Mit und ohne Internet
Das Lernen in der Cloud wirft jedoch Fragen auf. Während Fabrikroboter ständig vernetzt sein können, gilt das nicht für Rettungsroboter oder autonome Systeme in abgelegenen Gebieten. In solchen Fällen wird ein Teil der Rechenleistung direkt auf den Roboter verlagert. Die Modelle sind kleiner, aber für klar definierte Aufgaben ausreichend.
Evolution statt Revolution
Trotz KI-Boom sprechen Forschende eher von einer Evolution als von einer Revolution. Roboter lernen mit ihrem Körper. Reine Datenmengen reichen nicht aus. Deshalb kombinieren einige Teams maschinelles Lernen mit physikalischen Modellen, um effizienter und skalierbarer zu arbeiten.
