Zukunft Forschung 02/2022

INFORMATIK
DER ROBOTER LERNT, von einer gelernten
Bewegung auf ähnliche Bewegungen
zu generalisieren.
von A nach B zu legen. Soll er ihn aber mit
der gleichen Bewegung nach dem weiter
entfernten C legen, weiß er nicht, was zu
tun ist. Er hat diese – längere – Bewegung
im Training nicht gesehen.“ Dem Roboter
fehlt die Fähigkeit, zu extrapolieren, sich
aus Bekanntem Neues zu erschließen.
Um diese Fähigkeit zu verbessern, setzt
Piaters Team auf ein anderes künstliches
neuronales Netzwerk (KNN) als üblich.
Ein KNN besteht aus künstlichen Neuronen
(Units), die über mehrere Eingänge Informationen
als reale Zahlenwerte erhalten
und diese mit einem Faktor multiplizieren.
Die Resultate werden summiert und ergeben
das Aktionspotenzial der Unit. „In
sogenannten Equation Learner Networks
berechnen Units hingegen ausdrucksstärkere
Funktionen. Nicht die Summe, sondern
z. B. das Produkt von zwei Eingängen.
Oder die Sinusfunktion von lediglich
einem Eingang“, erklärt Piater. Der Hintergedanke
dabei: „Viele reale physikalische
Prozesse sind durch derartige Funktionen
beschrieben. Daher sollten wir auch solche
Funktionen für die Repräsentation dieser
Prozesse verwenden, damit die Repräsentation
die realen physikalische Prozesse
möglichst genau widerspiegelt.“ Darauf
fußte die Annahme der Informatiker, dass
Roboter mit Equation Learner Networks
besser extrapolieren können. Und die Annahme
konnten sie in der Simulation und
im Praxisversuch bestätigen – obwohl der
Roboter diese Bewegung nicht gelernt hatte,
bewegte er den Stift von A nach C. Genauer
gesagt: Nicht ganz bis nach C.
„Im Prinzip funktionierte die Exploration
auf die größere Strecke sehr gut. Es
kam allerdings zu systematischen Abweichungen“,
räumt Piater ein. Es zeigte
sich, dass der Roboter die neue, weitere
Bewegung zwar ausführen konnte, je
weiter sie aber wurde, desto größer wurden
die Abstände zum eigentlichen Ziel.
Die Lösung fand Matteo Saveriano, ein
inzwischen an der Università di Trento
tätiger Mitarbeiter Piaters, gemeinsam
mit Dissertant Héctor Pérez Villeda. „Sie
entwickelten mit Hilfe von Quadratic
Programing eine Methode, die gezeigte
Bedingungen imitiert und dabei Randbedingungen
erfüllt“, erläutert Piater. Dem
Roboter werden Bewegungen gezeigt, die
er lernt, zu rekonstruieren – inklusive der
festgelegten Bedingung, dass die Bewegung
von einem Anfang bis zu einem Ende
reichen muss. In Kombination mit der
erlernten Explorationsfähigkeit aus dem
ersten Schritt gelingt es dem Roboter nun
tatsächlich, den Stift von A nach C zu bewegen
– egal, wie weit entfernt C auch ist.
Robotik & Affordanzen
Auf die Kollaboration mit Menschen
zielt mit ELSA, kurz für Effective Learning
of Social Affordances for Human-Robot
Interaction, ein anderes Innsbrucker
Robotik-Projekt ab. In französisch-österreichischer
Zusammenarbeit wollen Forscherinnen
und Forscher aus Informatik
und Psychologie Robotern beibringen,
sogenannte Affordanzen zu erkennen.
„Der Begriff stammt aus der Psychologie
und bezeichnet Aktionsmöglichkeiten,
die ein Objekt einem Aktor bietet. In EL-
SA haben wir den Begriff auf die soziale
Ebene erweitert, nämlich auf Menschen,
die ihrem Umfeld Interaktionsmöglichkeiten
anbieten“, erklärt Piater. Durch
das Erkennen solcher Affordanzen sollen
Roboter lernen, mit ihrem menschlichen
Umfeld zielgerichteter zu interagieren:
„Menschen haben unterschiedliche Fähigkeiten,
zum Beispiel, wenn sie bestimmte
Werkzeuge bei sich haben. Jemanden mit
einer Schere kann ein Roboter bitten, ein
Blatt Papier durchzuschneiden. Die gleiche
Bitte ohne Schere in der Nähe ergibt
aber keinen Sinn, das muss ein Roboter
allerdings auch begreifen“, erläutert Piater.
Das bis 2026 laufende Projekt, angesiedelt
am Institut für Informatik und am
„Digital Science Center“ (DiSC) der Uni
Innsbruck, soll das Handlungsrepertoire
von Robotern in Zusammenarbeit mit
Menschen deutlich erweitern.
Ein weiterer Schritt also zum humanoiden
Roboter, wie ihn Čapek in R. U. R. konzipierte?
„Aus wissenschaftlicher Sicht ist
es extrem interessant, daran zu arbeiten.
Wir lernen dabei viel über Intelligenz,
Autonomie und wie der Mensch funktioniert“,
sagt dazu Piater: „Ob aber jemals
humanoide Roboter im Einsatz sein werden,
ist offen, da die Komplexität immens
ist. Möglicherweise kommt man mit spezialisierten
Robotern viel weiter.“ ah
JUSTUS PIATER (*1968 in Bremen) studierte
Informatik an der TU Braunschweig
sowie der Universität Magdeburg und
schloss 1994 mit dem Diplom ab. An
der University of Massachusetts machte
er einen M. Sc. (1998) und einen Ph. D.
(2001) in Computer Science. Nach einer
Zeit als PostDoc am Forschungsinstitut
INRIA Rhône-Alpes wechselte er 2002 an
die Université de Liège in Belgien. 2010
wurde er an das Institut für Informatik
der Universität Innsbruck berufen, wo er
die Arbeitsgruppe Intelligent and Interactive
Systems leitet.
zukunft forschung 02/22 29