Körperbewusstsein: Wissenschaftler verleihen Robotern ein grundlegendes Gefühl der „Propriozeption“

Viele Experten glauben mehr allgemeine Formen der künstlichen Intelligenz wird unmöglich sein, ohne der KI einen Körper in der realen Welt zu geben. Ein neuer Ansatz, der es Robotern ermöglicht, zu lernen, wie ihr Körper konfiguriert ist, könnte diesen Prozess beschleunigen.

Die Fähigkeit, die Anordnung und Positionierung unseres Körpers intuitiv zu spüren, was als Propriozeption bezeichnet wird, ist eine leistungsstarke Fähigkeit. Noch beeindruckender ist unsere Fähigkeit, unser internes Modell der Funktionsweise all dieser Teile – und wie sie zusammenarbeiten – zu aktualisieren, abhängig sowohl von internen Faktoren wie Verletzungen als auch von externen Faktoren wie einer schweren Last.

Replikation dieser Fähigkeiten in Roboter werden von entscheidender Bedeutung sein, wenn sie in realen Situationen sicher und effektiv arbeiten sollen. Viele KI-Experten glauben auch, dass KI ihr volles Potenzial nur dann entfalten kann, wenn sie physisch verkörpert ist und nicht einfach über abstrakte Medien wie Sprache mit der realen Welt interagiert. Maschinen die Möglichkeit zu geben, zu lernen, wie ihr Körper funktioniert, ist wahrscheinlich ein entscheidender Faktor.

Jetzt hat ein Team der Technischen Universität München einen neuartigen Ansatz für maschinelles Lernen entwickelt, der es den unterschiedlichsten Robotern ermöglicht, auf die Anordnung ihres Körpers zu schließen, indem sie lediglich das Feedback von Sensoren nutzen, die die Bewegung ihrer Gliedmaßen verfolgen.

„Die Verkörperung eines Roboters bestimmt seine Wahrnehmungs- und Verhaltensfähigkeiten“, schreiben die Forscher in einem Papier in Wissenschaft Robotics die Arbeit beschreiben. „Roboter, die in der Lage sind, autonom und schrittweise ein Verständnis ihrer Morphologie aufzubauen, können den Zustand ihrer Dynamik überwachen, die Darstellung ihres Körpers anpassen und auf Veränderungen an ihm reagieren.“

Alle Roboter benötigen ein internes Modell ihres Körpers, um effektiv zu funktionieren. In der Regel ist dies jedoch entweder fest codiert oder mithilfe externer Messgeräte oder Kameras erlernt, die ihre Bewegungen überwachen. Im Gegensatz dazu versucht der neue Ansatz, den Aufbau des Roboterkörpers ausschließlich anhand von Daten von Trägheitsmesseinheiten – Sensoren, die Bewegungen erkennen – zu erlernen, die an verschiedenen Teilen des Roboters angebracht sind.

Der Ansatz des Teams beruht auf der Tatsache, dass es zu Überlappungen bei den Signalen von Sensoren kommt, die näher beieinander liegen oder sich an denselben Körperteilen befinden. Dadurch ist es möglich, die Daten dieser Sensoren zu analysieren, um ihre Positionen am Körper des Roboters und ihre Beziehungen zueinander zu ermitteln.

Zunächst bringt das Team den Roboter dazu, sensomotorische Daten durch „Motor-Babbling“ zu generieren, bei dem alle Servos der Maschine für kurze Zeiträume nach dem Zufallsprinzip aktiviert werden, um zufällige Bewegungen zu erzeugen. Mithilfe eines maschinellen Lernansatzes ermitteln sie dann die Anordnung der Sensoren und identifizieren Teilmengen, die sich auf bestimmte Gliedmaßen und Gelenke beziehen.

Die Forscher wandten ihren Ansatz sowohl in Simulationen als auch in realen Experimenten auf eine Vielzahl von Robotern an, darunter einen Roboterarm, einen kleinen humanoiden Roboter und einen sechsbeinigen Roboter. Sie zeigten, dass alle Roboter ein Verständnis dafür entwickeln konnten, wo sich ihre Gelenke befanden und in welche Richtung diese Gelenke zeigten.

Noch wichtiger ist, dass der Ansatz keinen riesigen Datensatz erfordert wie die Deep-Learning-Methoden, die den meisten modernen KI zugrunde liegen, und stattdessen in Echtzeit durchgeführt werden kann. Das eröffnet die Aussicht auf Roboter, die sich im Handumdrehen an Schäden oder das Hinzufügen neuer Körperteile oder Module anpassen können.

„Wir sind uns der Bedeutung der Fähigkeit eines Roboters bewusst, das Wissen über seine Morphologie autonom zu bewerten und kontinuierlich zu aktualisieren“, schreiben die Forscher. „Inkrementelles Lernen der Morphologie würde es Robotern ermöglichen, ihre Parameter anzupassen, um die Veränderungen in der Körperstruktur widerzuspiegeln, die aus selbstverschuldeten oder von außen verursachten Handlungen resultieren könnten.“

Während das Verständnis der Funktionsweise Ihres Körpers nur ein kleiner Teil des Erlernens nützlicher Aufgaben ist, ist es ein wichtiger Bestandteil. Wenn man Robotern diese propriozeptionsähnliche Fähigkeit verleiht, könnten sie flexibler, anpassungsfähiger und sicherer werden.

Bildnachweis: xx / xx

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://singularityhub.com/2023/12/15/body-awareness-scientists-give-robots-a-basic-sense-of-proprioception/