KI-basierter Roboter lernt ein Spiel mit Jenga

• Forscher entwickeln einen Roboterarm, der Tast- und Sehvermögen nutzt, um das Spiel Jenga zu erlernen.
• Die in dieser Arbeit entwickelte maschinelle Lernmethode könnte Robotern helfen, Konsumgüter zusammenzubauen und andere Aufgaben auszuführen, die eine sorgfältige physische Interaktion erfordern.

Jenga ist ein komplexes Spiel, das eine präzise Auge-Hand-Koordination und -Strategie erfordert. Als Menschen integrieren wir nahtlos unseren Seh- und Tastsinn, um dieses Spiel zu meistern. Roboter hingegen verfügen noch nicht über diesen Grad an Raffinesse.

Die meisten robotischen Lernsysteme verwenden nur visuelle Daten ohne Berührungssinn, was ihre Fähigkeit, die Außenwelt zu lernen, grundsätzlich einschränkt. Bestehende Lernalgorithmen, die auf modellfreien Reinforcement-Learning-Techniken basieren, haben wenig bis gar keine Fähigkeit, Wissen über physikalische Objekte, Kontakte oder Kräfte auszunutzen.

Kürzlich haben Forscher des MCube Lab des MIT einen Algorithmus entwickelt, um diese Fähigkeit mit einem Roboter zu replizieren. Im Gegensatz zu herkömmlichen maschinellen Lerntechniken, die riesige Datensätze verwenden, um ihren nächstbesten Zug zu bewerten, lernt und nutzt dieser Roboter ein hierarchisches Modell, das eine schonende und präzise Extraktion von Teilen ermöglicht.

Jenga-spielender Roboter

Der Roboter ist mit einer externen RGB-Kamera, einem weichen Greifer und einer krafterfassenden Handgelenksmanschette ausgestattet. All diese Komponenten ermöglichen es dem Roboter, den Jenga-Turm und seine einzelnen Blöcke zu beobachten und zu fühlen.

Die Forscher haben einen industriellen ABB IRB 120-Roboterarm angepasst und einen Jenga-Turm in Reichweite aufgestellt. Während der Arm sanft gegen einen Block drückt, erfasst ein Computer taktiles und visuelles Feedback von seiner Manschette und Kamera und vergleicht diese Messungen mit den vorherigen Bewegungen des Roboters.

Referenz:WissenschaftRobotik | doi:10.1126/scirobotics.aav3123 | MIT

Dieses Modell ermöglicht es dem Roboter, den Zustand eines Teils genau abzuschätzen, die nächsten möglichen Züge zu simulieren und sich für einen günstigen zu entscheiden. In Echtzeit lernt die Maschine, ob sie den Block weiter schieben oder zu einem neuen verschieben soll, damit die Struktur nicht zusammenbricht.

Dies ist eine größere Herausforderung als die Entwicklung einer KI für Schach oder Go, da das Spiel Jenga grundlegende körperliche Fähigkeiten wie Ziehen, Schieben, Platzieren und Ausrichten einzelner Blöcke erfordert.

Der in dieser Arbeit entwickelte Roboter erkennt effizient, wann sich ein Block festgefahren oder frei anfühlt und entscheidet, wie er mit weit weniger Daten extrahiert wird. Es wird auf fast 300 Versuche (statt Zehntausenden von Versuchen) trainiert. Versuche mit ähnlichen Ergebnissen und Messungen werden in Clustern gruppiert und jeder Cluster repräsentiert ein spezifisches Blockverhalten.

Für jeden einzelnen Datencluster entwickelte die Maschine ein Modell, um das Verhalten eines Blocks anhand seiner aktuellen taktilen und visuellen Messungen abzuschätzen. Diese Clustering-Strategie – inspiriert von der natürlichen Art und Weise des menschlichen Lernens – erhöht die Effizienz des Roboters, mit der er lernen kann, das Spiel zu spielen, erheblich.

Anwendungen

Diese Methode ist ein erfolgreiches Beispiel für den Einzug künstlicher Intelligenz in die physische Welt. Während der Roboter mit seiner Umgebung interagiert, lernt er einige der grundlegenden Fähigkeiten, die die menschliche Manipulation ausmachen.

Lesen Sie:Dactyl:Eine menschenähnliche Roboterhand, die KI verwendet, um beispiellose Geschicklichkeit zu erreichen

Dieses taktile Lernsystem kann auf Aufgaben jenseits des Jenga-Spiels angewendet werden, insbesondere auf Aufgaben, die eine sorgfältige physische Interaktion erfordern. Zum Beispiel das Zusammenbauen von Konsumgütern und das Trennen von recycelbaren Materialien von Deponiemüll.

In einer Smartphone- und Laptop-Fertigungsstraße erfordern die meisten Schritte zum Beispiel Berührungen und Kraftaktionen und nicht nur das Sehen, und diese Technologie könnte solche Fließbänder drastisch verbessern.