Mit der Veranstaltung „We, Robot“ sorgte Tesla 2024 für Schlagzeilen: Firmenchef Elon Musk präsentierte fahrerlose Fahrzeuge, die eines Tages vollständig autonom auf den Straßen unterwegs sein sollen. Spannender war der Auftritt von Teslas „Optimus“. Der humanoide Roboter, der ebenfalls autonom agieren können soll, befindet sich derzeit in der Entwicklung. Umso erstaunlicher war sein Auftritt: Exemplare liefen herum, tanzten, mixten Getränke und unterhielten sich mit Menschen. Später wurde bekannt, dass Tesla-Mitarbeiter*innen die Roboter zumindest teilweise ferngesteuert haben sollen.
Der Fall zeigt exemplarisch, wie schwer es Tech-Unternehmen fällt, humanoiden Robotern selbstständige Bewegungsabläufe beizubringen. Dabei verfolgen Ingenieur*innen seit Langem das Ziel, Robotik und Künstliche Intelligenz miteinander zu verbinden. Die Vision: Große Sprachmodelle wie ChatGPT sollen einen Körper für die reale Welt bekommen. „Large Language Models können sehr gut mit Sprache umgehen, für die komplexe Steuerung von Robotern sind sie ungeeignet“, schildert Rafid Abyaad das Problem. Der Doktorand forscht an der Berliner Hochschule für Technik (BHT) im Fachgebiet Humanoide Robotik.
In Einzelschritte zerlegt
Abyaad arbeitet an einem Ansatz, mit dem die Vision Wirklichkeit werden könnte. Dabei soll die KI nicht die einzelnen Motoren der Maschine steuern, sondern als Planungsinstanz fungieren. Ihre Aufgabe besteht darin, menschliche Anweisungen in einzelne Handlungen zu zerlegen, die der Roboter abarbeitet. An dieser Stelle soll sie auf eine neue Skill-Bibliothek zugreifen. In ihr will Rafid Abyaad grundlegende Bewegungsmuster hinterlegen, die der Roboter beherrscht, zum Beispiel Greifen, Schieben oder Ablegen. Das Prinzip: Die KI wählt aus, der Roboter führt aus.
„Die Skill-Bibliothek dient als Handlungsvokabular für den Roboter, das das Sprachmodell für eine Aufgabe nutzen kann, ohne die Abläufe im Detail kennen zu müssen“, sagt Abyaad. Die Anweisung „Nimm den roten Becher und stelle ihn ins Regal“ lasse sich beispielsweise in mehrere Schritte zerlegen: zum Becher gehen, ihn greifen, sich zum Regal bewegen, ihn ablegen. Der Roboter führt die einzelnen Schritte mithilfe herkömmlicher Steuerungssoftware und der Bibliothek aus. Dabei muss das System auch visuelle Informationen berücksichtigen, etwa die Position des Bechers.
Mehr Kontrolle, weniger Risiko
Mit diesem Ansatz lässt sich die technische Herausforderung einer direkten Steuerung durch eine KI umgehen. Gleichzeitig bietet er nach Angaben des bangladeschischen Doktoranden, der von Robotik-Experten Prof. Dr. Hannes Höppner betreut wird, einen weiteren Vorteil: mehr Kontrolle. Würde ein Roboter direkt von einem Sprachmodell gesteuert werden, könnte sich sein Verhalten der Kontrolle entziehen. Die Bibliothek mit ihren fest definierten Fähigkeiten soll daher auch verhindern, dass sich ein KI-Roboter unerwartet bewegt oder Menschen gefährdet.
Gegenwärtig arbeitet Rafid Abyaad daran, die Skill-Bibliothek mit Bewegungsmustern zu erstellen. Dafür führt er dem Roboter einzelne Bewegungen immer wieder vor, bewegt ihn von Hand oder steuert ihn aus der Ferne. Mithilfe maschinellen Lernens eignet sich das System die Bewegungen an. Wichtig ist, dass die Maschine sie später an die jeweilige Situation anpassen kann. Schließlich unterschieden sich Objekte immer in Form und Position. „Die Bibliothek soll sich auf alle LLMs und humanoiden Roboter übertragen lassen“, sagt der Dokorand. Perspektivisch könnten humanoide Roboter damit deutlich selbstständiger agieren als heute – ohne dass ein Mensch aus der Ferne die Kontrolle übernimmt.