Roboter kann dank maschinellem Lernen eine Banane schälen

Der Umgang mit Beerenobst ist für Roboter eine Herausforderung, aber ein maschinelles Lernsystem konnte diese Aufgabe meistern, indem es nachahmte, wie ein Mensch es tut

Von Chris Stokel-Walker

24. März 2022

Ein durch maschinelles Lernen trainierter Roboter, der einen menschlichen Demonstrator nachahmt, kann erfolgreich eine Banane schälen, ohne sie in Stücke zu zerschlagen.

Der Umgang mit Beerenobst stellt für Roboter eine Herausforderung dar, da ihnen oft die Geschicklichkeit und das differenzierte Fingerspitzengefühl fehlen, um Gegenstände zu verarbeiten, ohne sie zu zerstören. Die ungleichmäßige Form von Früchten – die selbst bei derselben Obstsorte erheblich variieren kann – kann auch die Computer-Vision-Algorithmen, die oft als Gehirne solcher Roboter fungieren, durcheinander bringen.

Heecheol Kim von der Universität Tokio und seine Kollegen haben ein maschinelles Lernsystem entwickelt, das einen Roboter antreibt, der über zwei Arme und Hände verfügt, die zwischen zwei „Fingern“ greifen.

Werbung

Zuerst schälte ein Mensch, der den Roboter bediente, Hunderte von Bananen und erstellte 811 Minuten Demonstrationsdaten, um dem Roboter beizubringen, dies selbst zu tun. Die Aufgabe war in neun Phasen unterteilt: vom Greifen der Banane über das Aufheben vom Tisch mit einer Hand, das Ergreifen der Spitze mit der anderen Hand, das Schälen und das anschließende Bewegen der Banane, damit der Rest der Schale entfernt werden kann.

Für große Bewegungen, bei denen es unwahrscheinlich ist, dass sie die Banane beschädigen, erstellt das maschinelle Lernmodell eine Flugbahn und ahmt so nach, was ein Mensch ohne viel Nachdenken tut. Wenn die Arme jedoch die Banane präzise manipulieren müssen, wechselt das System zu einem reaktiven Ansatz, bei dem es auf unerwartete Veränderungen in seiner Umgebung reagiert.

In Tests konnte der Roboter in 57 Prozent der Fälle erfolgreich eine Banane schälen. Der gesamte Vorgang dauert weniger als 3 Minuten.

Der Bananenschälroboter

Heecheol Kim, Universität Tokio

„Was in diesem Fall wirklich interessant ist, ist, dass der Prozess, den ein Mensch verwendet, durch Deep-Imitation-Learning auf das Training des Robotersystems übertragen wurde“, sagt Jonathan Aitken von der University of Sheffield, Großbritannien.

Kim sagt, sein Ansatz sei dateneffizient, da er 13 Stunden Trainingsdaten anstelle von Hunderten oder Tausenden Stunden verwende. „Es erfordert immer noch ziemlich viele teure GPUs [Grafikprozessoren], aber durch die Verwendung unserer Struktur können wir den großen Rechenaufwand [erforderlich] reduzieren“, sagt er.

Aitken würde gerne sehen, wie der Roboter mit unförmigeren Früchten umgeht. Aber mit einer feineren Motorsteuerung könnte es noch besser funktionieren, sagt er. Die Technologie wird jedoch nicht nur für Bananen eingesetzt: Ziel ist es, ein System zu trainieren, das allgemeiner Aufgaben bewältigen kann, die feinmotorische Fähigkeiten erfordern.

Referenz:arxiv.org/abs/2203.09749

Themen:

Werbung