Der aibo Robopod lernt zu tanzen und fast lautlos zu gehen

Ein Team von Forschern der ETH Zürich und der Sony Corporation hat jedoch vor kurzem zwei Ansätze zum Verstärkungslernen (Reinforcement Learning, RL) vorgestellt, die das Arsenal von Robops erweitern könnten. Die erste Methode wurde entwickelt, um Laufgeräusche zu reduzieren, während die zweite darauf abzielt, sanfte "Tanzbewegungen" zu beherrschen.

Was ist das Problem mit den Geräuschen?

Viele Aibo-Benutzer beschweren sich darüber, dass der Roboter mit seinen Pfoten laut auf den Boden knallt, wenn er sich im Haus bewegt. Ein Team unter der Leitung von Ryo Watanabe hat dieses Problem mithilfe von Simulationen und RL-Algorithmen gelöst. Ziel war es, die Häufigkeit des Kontakts der Pfoten mit dem Boden zu minimieren und dadurch die Lautstärke der Schritte zu verringern. Das System verwendet Daten von Sensoren an den Pfoten und verhängt "Strafen" für zu abrupte Bewegungen.

1. Experiment: Die Forscher verglichen die neue Technik mit RL-basierten Controllern sowie mit dem offiziellen Sony-Controller.
2. Ergebnis: Das neue Modell war in der Lage, die Geräusche deutlich zu reduzieren - der Aibo lief spürbar leiser als mit dem proprietären Algorithmus von Sony und anderen Standard-RL-Ansätzen.

Tanzen statt einfacher Bewegungen

Der zweite Teil der Arbeit des Teams konzentriert sich darauf, wie man aibo beibringen kann, effektiv zu "tanzen" und mit anderen zu interagieren. Zu diesem Zweck entwickelten sie das Deep Fourier Mimic (DFM) Modell. Diese Technologie kombiniert Bewegungsdarstellung und Verstärkungslernen und ermöglicht es dem Roboter, vorgegebene Tanzmuster zu imitieren und sie mit zusätzlichen Aufgaben, wie z.B. Bewegungen, zu ergänzen.

• DerClou: Anstelle einer einfachen "Playback"-Animation ist der Roboter in der Lage, sich auf natürliche Weise zwischen verschiedenen Bewegungen zu bewegen und auf die Aktionen des Benutzers zu reagieren.
• Vorteil: Sanftere und "lebendigere" Manöver: aibo kann visuell zu einem Menschen "tanzen" und sieht viel synchroner aus.

Aussichten und Grenzen

Die Forscher glauben, dass die neuen RL-Algorithmen nicht nur in aibo, sondern auch in andere Haushalts- oder Unterhaltungsroboter (z.B. in Vergnügungsparks) integriert werden können. Allerdings wurden bei den Tests einige Feinheiten beobachtet:

1. Gleichgewicht zwischen leisem Gehen und Stabilität: Je geringer die Kontaktgeschwindigkeit der Pfoten, desto höher ist das Risiko, die Stabilität zu verlieren; zukünftige Modelle sollten die Umgebungsbedingungen (Bodenoberfläche, Vorhandensein von Hindernissen) berücksichtigen.
2. Begrenzte Nützlichkeit für nicht-periodische Bewegungen: DFM funktioniert gut für rhythmische Aufgaben (Schritte, Tanzen), ist aber nicht so effektiv für Aktionen wie das Greifen oder Heben vom Boden, die derzeit noch separat trainiert werden müssen.

Aber selbst wenn man diese Nuancen berücksichtigt, ebnet die Arbeit den Weg für aibo, ein noch freundlicheres "Begleittier" zu werden,