Willkommen an der Roboter-Universität
Möchten Sie, dass Ihr Roboter eine neue Aufgabe lernt? Dann schicken sie ihn zu RoboNet, eine riesige Videodatenbank, die ihm eines Tages alles beibringen könnte.
(Bild: Mr Tech)
- TR Online
Einer der unbesungenen Helden der KI-Revolution ist eine wenig bekannte Datenbank namens ImageNet. Sie wurde von Forschern der Princeton University erstellt und enthält rund 14 Millionen Bilder, die per Crowdsourcing beschriftet wurden, um zu erklären, was auf dem Bild zu sehen ist. ImageNet ist eine wichtige Datenbank, mit der viele der heutigen leistungsfähigen neuronalen Netze trainieren. Diese Netzwerke lernen mithilfe von Bildern und der zugehörigen Texte. Je größer die Datenbank, desto besser lernen sie. Ohne ImageNet und ähnliche visuelle Datensätze können selbst die leistungsstärksten neuronalen Netze nichts erkennen.
Jetzt wollen Robotik- Experten dieses Prinzip auf Videos übertragen und ihren Schützlingen auch mithilfe von Kurzfilmen beibringen, wie sie mit der Umgebung interagieren können. Sudeep Dasari von der University of California in Berkeley hat mit Kollegen eine Datenbank namens „RoboNet“ erstellt, die aus kommentierten Videos von Roboteraktionen besteht. Die Kurzfilme können zum Beispiel eine Maschine zeigen, der mehrmals eine Tasse über einen Tisch bewegt. Die Idee ist, dass jeder diese Daten herunterladen und damit das neuronale Netzwerk eines Roboters trainieren kann, um auch einen Becher zu bewegen, selbst wenn er noch nie zuvor mit einem Becher interagiert hat. Dasari und Co. hoffen, ihre Datenbank zu einer Ressource ausbauen zu können, mit der nahezu jeder Roboter für nahezu jede Aufgabe trainiert werden kann. Es ist eine Art Roboter-Universität, die das Team „RoboNet“ getauft und auf dem frei zugänglichen Online-Portal ArXiv veröffentlicht hat.
Begrenzte Erfolge
Bisher hatten Robotiker nur begrenzten Erfolg darin, ihren Maschinen das Navigieren in und Interagieren mit der Umgebung beizubringen. Ihr Ansatz ist die Standardtechnik des maschinellen Lernens, die mit ImageNets Hilfe populär wurde. Die Wissenschaftler zeichnen zunächst auf, wie ein Roboter beispielsweise einen Pinsel über eine Oberfläche bewegt. Dann machen sie viele weitere Videos dieser Bewegung und trainieren anhand der Daten ein neuronales Netzwerk, wie sie die Aktion am besten ausführt.
Dafür braucht es viele Daten, das heißt unzählige Stunden an Videos. Sobald ein Roboter die Pinselstriche beherrscht, muss er allerdings für fast alles andere denselben Lernvorgang durchlaufen, ob es nun ein Löffel oder eine Brille ist. Und wenn sich die Umgebung ändert, müssen die Lernsysteme in der Regel ebenfalls von vorne beginnen. „Die gängige Praxis, Daten für jede neue Umgebung von Grund auf neu zu erfassen, bedeutet im Wesentlichen, das Grundwissen über die Welt neu zu erlernen – es ist eine unnötige Anstrengung“, sagen Dasari und Co.
Die Roboter-Universität „RoboNet“ umgeht dieses Problem. „Wir schlagen sie als offene Datenbank zum Austausch von Robotererfahrungen vor“, so die Forscher weiter. So könne jeder Roboter aus der Erfahrung eines anderen lernen. Um die Datenbank auf den neuesten Stand zu bringen, hat das Team bereits rund 15 Millionen Videoframes mit sieben verschiedenen Robotertypen mit unterschiedlichen Greifern in verschiedenen Umgebungen aufgenommen.
Roboteragenten im Anmarsch
Dasari und Co zeigen in Ihrer ArXiv-Veröffentlichung auch, wie sie diese Datenbank verwenden, um Roboter auf Aufgaben vorzubereiten, die diese noch nie zuvor versucht haben. Roboter, die mit diesem Ansatz trainiert wurden, erbringen demzufolge eine bessere Leistung als diejenigen, die auf herkömmlicher Weise einfach mit mehr Daten trainiert wurden.
Die RoboNet-Daten stehen jedem zur Verfügung. Dasari und Co. hoffen natürlich, dass andere Forschungsteams ebenfalls dazu beitragen werden, RoboNet zu einer umfassenden Ressource für Robo-Learning zu machen.
Die beeindruckende Arbeit hat erhebliches Potenzial. „Sie ist der erste Schritt zur Erstellung von Roboteragenten, die in einer Vielzahl von Umgebungen und auf verschiedenen Hardware-Plattformen eingesetzt werden können“, so das Team. Trotzdem gibt es auch erhebliche Herausforderungen. Zum Beispiel müssen Forscher herausfinden, wie sie die Daten am besten nutzen können, denn welches das effektivste Trainingsregime ist, steht bei weitem noch nicht fest. „Wir hoffen, dass RoboNet die breiteren Robotik- und Bestärkungslerngemeinschaften dazu inspirieren wird, zu untersuchen, wie sich Bestärkungs-Algorithmen skalieren lassen, um der Komplexität der realen Welt gerecht zu werden“, sagen sie.
()
