In China haben AgiBot, die Tsinghua-Universität und INFINIGENCE eine Methode erprobt, mit der Roboter aus den Erfolgen anderer Roboter lernen. Getestet an 96 realen Robotern, verbessert sie deren Leistung bei mehreren Aufgaben aus Haushalt und Industrie.
Der Ansatz trägt den Namen Collective Experience Learning (CEL) und beruht darauf, dass Roboter ihre Erfahrungen miteinander teilen. Statt sich beim Erlernen einer Handhabungsaufgabe allein auf menschliche Demonstrationen zu stützen, greifen die Maschinen auch auf Lösungen zurück, die andere Roboter bei ähnlichen Schwierigkeiten gefunden haben. Die drei Partner haben nun die Ergebnisse eines kollektiven Experiments vorgestellt, mit dem die Methode bewertet werden sollte.
Kollektives Lernen: Roboter nutzen die Erfahrungen anderer Roboter
Das Prinzip von CEL besteht darin, erfolgreiche Erfahrungen innerhalb einer Robotergruppe zu bündeln. Stößt eine Maschine bei einem Arbeitsschritt auf ein Problem, kann sie auf Lösungen zurückgreifen, die andere Mitglieder der Gruppe zuvor erarbeitet haben.
Ziel der Methode ist es, die Abhängigkeit von menschlichen Demonstrationen zu verringern und die Leistung schrittweise zu steigern, und zwar auf Grundlage der Erfahrungen, die die Roboter selbst sammeln.
Die Forscher sehen in dem Ansatz einen möglichen Weg, die Fähigkeiten von Robotern eigenständig weiterzuentwickeln und sie in großem Maßstab einzusetzen. Gegenstand des Experiments ist das kollektive Lernen, nicht die Markteinführung eines neuen Robotermodells.
Fünf Aufgaben aus Haushalt und Industrie zur Leistungsbewertung
Die Teams von AgiBot, der Tsinghua-Universität und INFINIGENCE haben CEL in Haushalts- und Industrieumgebungen bewertet. Die Roboter mussten fünf verschiedene Aufgaben bewältigen:
- Ein Blumengesteck anfertigen.
- Kleidung zusammenlegen.
- Mobiltelefone aufladen.
- Stühle montieren.
- Smartphones verpacken.
Anhand dieser Aufgaben lässt sich beobachten, wie wirksam das geteilte Lernen bei Tätigkeiten ist, die unterschiedliche Bewegungsabläufe und den Umgang mit verschiedenen Gegenständen erfordern.
Bei einer Auswertung von 600 Versuchen, die zwei nicht trainierte Roboter durchführten, berichten die Teams von lediglich 15 Fehlschlägen. Das entspricht einer Erfolgsquote von 97,5 %. Bei allen fünf Aufgaben lagen die Ergebnisse über der durchschnittlichen Erfolgsquote von sechs menschlichen Bedienern, die im Experiment als Vergleichsgröße dienten.
Smartphones verpacken: Erfolgsquote steigt von 79,2 % auf 98,3 %
Eine der deutlichsten Verbesserungen betrifft das Verpacken von Smartphones. Nach den von den Forschungsteams vorgestellten Ergebnissen stieg die Erfolgsquote der Roboter von 79,2 % vor dem kollektiven Lernen auf 98,3 % danach.
Bei dieser Auswertung verzeichneten die Roboter in 120 aufeinanderfolgenden Versuchen nur zwei Fehlschläge. Der Zuwachs zeigt, welchen Nutzen der Erfahrungsaustausch bei einer sich wiederholenden Handhabungs- und Verpackungsaufgabe haben kann.
Von 16 auf 96 Roboter: Größere Gruppe verbessert die Lernergebnisse
Die Forscher untersuchten zudem, welchen Einfluss die Zahl der am kollektiven Training beteiligten Roboter hat. Ihren Ergebnissen zufolge steigt die Erfolgsquote, wenn mehr Maschinen zum Erfahrungsaustausch beitragen.
Mit 16 beteiligten Robotern lag die gemessene Erfolgsquote bei 86,7 %. Wuchs die Gruppe auf 96 Roboter, erreichte sie 98,3 %, wie aus den Ergebnissen des Experiments hervorgeht.
Die Teams führen diesen Anstieg in ihrer Analyse darauf zurück, dass mehr verwertbare Erfahrungen zusammenkommen. Jeder zusätzliche Roboter kann dazu beitragen, das Spektrum an Lösungen für die übrigen Mitglieder der Gruppe zu erweitern.
Das Experiment von AgiBot, der Tsinghua-Universität und INFINIGENCE bestätigt damit die Funktionsweise von CEL in einer Gruppe von 96 physischen Robotern, mit gemessenen Ergebnissen bei Handhabungsaufgaben aus Haushalt und Industrie.