Forschende der Georgia Tech präsentierten ein neues Trainingsframework, das einem humanoiden Roboter das Gehen auf unebenem, realem Gelände ermöglichen soll. Getestet wurde ein zweibeiniger Humanoid über Sand, nassen Rasen, Kies, Hanglagen, Treppen und ebenen Untergrund, Bedingungen, die auf dem Campus vorkommen oder leicht simuliert werden können.
Die Arbeit an dem Ganzkörperregler leitete Feiyang Wu, ein Promotionsstudent im Bereich Maschinelles Lernen. Sein Ansatz ist rechnerisch schneller und kostengünstiger als führende Trainingsmethoden. Überraschend war, dass der Regler auch auf einigen Oberflächen gut funktionierte, die nicht Teil des Trainings waren. Das Team stellte das Framework auf der IEEE International Conference on Robotics and Automation vor. Die Forschung entstand in Zusammenarbeit zwischen der George W. Woodruff School of Mechanical Engineering und der School of Computational Science and Engineering.
Die Forschenden beschrieben Probleme des klassischen Lehrer‑Schüler‑Verfahrens: Die sequentielle Ausbildung dauert sehr lange, und gesammelte Informationen des Lehrers bleiben oft ungenutzt; Simulationen erfordern viele Stunden Rechenzeit auf GPU‑Chips. Als Lösung trainierten sie Lehrer und Schüler gleichzeitig. Dabei lehrt der Lehrer den Schüler schrittweise, lernt aber auch aus den Daten des Schülers. Diese Änderung verringert die Imitationslücke zwischen Lehrer und Schüler.
Nach dem Simulationstraining setzten die Forschenden den Regler an einem physischen Humanoiden im Labor von Ye Zhao ein. Der Roboter ging gleichmäßig über verschiedene Flächen und passte seine Schritte an, als Forschende ihn schoben und zogen. Das "Learn to Teach"‑Framework ist allgemein angelegt und lässt sich auf andere Roboterdesigns und Aufgaben jenseits des Laufens anwenden. Die Arbeit wurde vom Office of Naval Research, dem US Department of Agriculture und der National Science Foundation gefördert.
- Getestete Flächen: Sand, Rasen, Kies, Hänge, Treppen
Schwierige Wörter
- humanoid — einem Menschen ähnlich in Form oder Bewegunghumanoiden
- Ganzkörperregler — Regler, der Bewegung des gesamten Körpers steuert
- Lehrer‑Schüler‑Verfahren — Trainingsmethode mit einem Lehrenden und einem LernendenLehrer‑Schüler‑Verfahrens
- Imitationslücke — Unterschied zwischen Vorbild und Nachahmung
- Simulationstraining — Training, das zuerst in virtueller Umgebung stattfindet
- kostengünstig — mit vergleichsweise geringen finanziellen Kostenkostengünstiger
Tipp: Fahre über markierte Wörter oder tippe darauf, um kurze Definitionen zu sehen – während du liest oder zuhörst.
Diskussionsfragen
- Welche Vorteile hat laut Text das gleichzeitige Training von Lehrer und Schüler gegenüber der sequentiellen Ausbildung?
- Welche Schwierigkeiten könnten entstehen, wenn man das Learn to Teach‑Framework auf andere Roboterdesigns anwenden möchte?
- Wie wichtig ist es in Ihren Augen, reale Tests wie Schieben und Ziehen nach der Simulation durchzuführen? Begründen Sie kurz.
Verwandte Artikel
Hinweise auf Weltverständnis in KI‑Sprachmodellen
Forscher untersuchten Sprachmodelle und fanden, dass große KI‑Modelle interne Repräsentationen für alltägliche, unwahrscheinliche, unmögliche und unsinnige Ereignisse bilden. Diese internen Muster entsprechen oft menschlichen Plausibilitätsurteilen.
Roboter werden schneller mit SAIL
Forscher an der Georgia Tech entwickelten SAIL, ein System, das Roboter schneller als ihre menschlichen Demonstrationen arbeiten lässt. SAIL wurde in Simulation und auf realen Robotern getestet und erzielte meist drei- bis viermal höhere Geschwindigkeit ohne Genauigkeitsverlust.
Batterielose Metallmarken senden Ultraschall
Forschende entwickelten winzige, batterielose Metallmarken, die bei Berührung kurze Ultraschallsignale aussenden. Nahe Wearables können diese Signale erkennen; die Marken sind günstig, klein und sollen datenschutzfreundliche Smart-Home-Erkennung ermöglichen.
