Technische Universität Berlin
ENUnfortunately the webpage is not available in the language you have selected.

Wenn Roboter Physik lernen

Forschung an der Schnittstelle von Maschinellem Lernen und Robotik

Wenn ein Mensch zwei Kartons trägt und dann einen Schlüssel aus der Tasche ziehen muss, dann demonstriert er gelegentlich recht kreative Akrobatik, um die Kartons nicht abstellen zu müssen, aber dennoch nicht das Gleichgewicht zu verlieren – ohne dass er sich dabei die physikalischen Grundlagen extra in Erinnerung ruft. „Menschen und viele Tiere haben ein intuitives Verständnis der physikalischen Gesetzmäßigkeiten ihrer Umgebung – auch ohne diese notwendigerweise im Detail zu verstehen“, weiß Prof. Dr. Marc Toussaint, Leiter des Fachgebiet Machine Learning & Robotics Lab an der TU Berlin und Mitglied des Exzellenzclusters Science of Intelligence (SCIoI). „Sie nutzen zum Beispiel ein Werkzeug, um etwas unter dem Schrank hervorzuholen und stellen ein Glas auf und nicht neben den Tisch – auch dann, wenn sie das Prinzip der Gravitation nicht im Detail verstanden haben.“

Dieses intuitive physikalische Grundverständnis fehlt einem konventionellen KI-System.  „Mein Forschungsinteresse liegt genau an dieser Schnittstelle zwischen künstlicher Intelligenz und Robotik. Ziel ist es, Roboter  so auszustatten, dass sie eine Repräsentation – ein Modell ihrer physischen Umgebung – haben, mit dem sie auch planen können“, so der Informatiker. „Planen bedeutet dabei, dass sie Probleme lösen können, die sie vorher noch nie gesehen haben.“ Im Raum aller Möglichkeiten nach einer neuen, kreativen Lösung zu suchen, ist etwas, dass es im Maschinellen Lernen eigentlich gar nicht gibt. Die meisten maschinellen Lernsysteme sind stark auf vorhandene Beispiellösungen in einem gegebenen Datensatz angewiesen.

Kreative Lösungen sind im Maschinellen Lernen eigentlich gar nicht vorgesehen

„Mein Ansatz ist es, Agenten mit einem grundlegenden Verständnis ihrer dreidimensionalen Umgebung und einer Art physikalischem Grundverständnis auszurüsten, um damit nach kreativen Lösungen suchen zu können“, so der Professor, der im März 2020 an die TU Berlin berufen wurde. Von einem umfassenden Modell sind die Forscher*innen noch ein gutes Stück entfernt.

„Es ist eine enorme Herausforderung, diese grundlegende physikalische Kompetenz in einem mathematischen Modell abzubilden, das die Gesamtheit aller Entscheidungsmöglichkeiten aufspannt.“ In dem zweiten Teil seines Forschungsgebiet entwickelt er die entsprechenden Algorithmen, die im Rahmen des vorgegebenen Modells die ideale Lösung erarbeiten, und auf Basis vieler solcher Lösungen erlernen, in Zukunft sehr schnell Lösungen zu finden.

Unter anderem ist sein Team an dem interdisziplinären SCIoI-Projekt „AI versus Human – physical puzzle solving“ beteiligt, an dem neben der Robotik auch die Kognitionswissenschaft beteiligt ist. „Bei unserem Teil-Projekt geht es im Prinzip darum, den KI-Systemen ‚Trial and Error-Learning‘ beizubringen“.

Inhaltlich werden die Strategien menschlicher Intelligenz und KI-Systemen verglichen, die beide versuchen, ein digitales, physikalisches Puzzle zu lösen. Die Kognitionswissenschaftler*innen beobachten dabei die Menschen und versuchen zum Beispiel zu verstehen, wann sie einen Strategiewechsel vornehmen,  warum sie lange an einer Strategie verhaften, die keinen Erfolg verspricht oder ähnliches.

"Trial and Error" setzt einen Plan voraus

„Von der KI-Seite testen wir, wie sich unsere KI-Algorithmen, denen unser Modell einer physikalischen Grundgesamtheit zur Verfügung steht, bei der Problemlösung verhalten. Ob sie tatsächlich ihr Handeln planen und kreative Lösungsansätze entwickeln. ‚Trial and Error‘ setzt nämlich voraus, dass das System nicht alle möglichen Lösungen ausprobiert, sondern einen Plan hat, den es revidiert, beziehungsweise sein Modell anpasst, wenn es sich irrt.“

Interessant sind solche KI-Systeme in der späteren Anwendung zum Beispiel in der Logistik oder der Architektur, wann immer Systeme ein grundlegendes Verständnis physikalischer Möglichkeiten nutzen können, um Lösungen in unvorhergesehenen Situationen zu finden.

Kontakt

Einrichtung Machine Learning and Robotics Lab