Schwerlast-Training: Wie der Atlas-Roboter Fabrikgewichte stemmt

Der Robotik-Spezialist Boston Dynamics bereitet sein humanoides Modell Atlas auf schwere Arbeit in Fabriken vor. Durch maschinelles Lernen und eine verbesserte Körperwahrnehmung stemmt die Maschine problemlos Gewichte von über 45 Kilogramm.
Ki, Künstliche Intelligenz, Roboter, Robotik, Hyundai, DeepMind, Boston Dynamics, Atlas, Google DeepMind
Boston Dynamics

Neues Training für humanoide Roboter

Der US-amerikanische Robotik-Spezialist Boston Dynamics bereitet sein neuestes Modell des humanoiden Roboters Atlas auf schwere körperliche Arbeit vor. Durch den Einsatz von maschinellem Lernen trainiert die Maschine aktuell den Umgang mit unhandlichen Objekten wie einem Mini-Kühlschrank. Ziel ist der kommerzielle Einsatz in Fabriken, Lagerhallen und auf Baustellen.

Um die komplexen Bewegungsabläufe zu meistern, absolviert das System zunächst Millionen von Trainingsstunden in einer virtuellen Umgebung. Anstatt sich primär auf Kameras zu verlassen, nutzt der Roboter die sogenannte Propriozeption. Das bedeutet: Er verlässt sich auf die interne Wahrnehmung seiner Gelenkpositionen und der einwirkenden Kräfte, um das Gewicht und die Balance von Objekten in Echtzeit einzuschätzen.

Wie Boston Dynamics in einem Blogbeitrag schreibt, erfordert das Heben schwerer Lasten den Einsatz des gesamten Körpers. Atlas klemmt dabei Gegenstände zwischen Unterarm und Bizeps ein oder nutzt die Knie zur Unterstützung. Die Software passt sich dann dynamisch an veränderte Bedingungen wie verschobene Schwerpunkte oder rutschige Böden an.

Boston Dynamics demonstriert, wie Atlas einen Kühlschrank hebt

Ein zentraler Aspekt der Entwicklung ist die Verringerung der Diskrepanz zwischen Simulation und Realität. In der Vergangenheit scheiterten viele virtuell trainierte Modelle an unvorhersehbaren physischen Variablen wie Reibung oder Sensorrauschen. Um das zu minimieren, setzen die Ingenieure auf eine stark vereinfachte Architektur.

Vereinfachte Hardware für Atlas

Das aktuelle Modell unterscheidet sich technisch deutlich von seinen Vorgängern und bietet Vor- sowie Nachteile für den industriellen Einsatz:

  • Es kommen nur zwei Arten von Aktuatoren zum Einsatz, was die Produktion skaliert und Kosten senkt.
  • Die Gelenke verfügen über eine unbegrenzte Rotation, da auf fehleranfällige Kabel verzichtet wurde.
  • Arme und Beine sind symmetrisch aufgebaut und lassen sich im Feld schnell austauschen.
  • Ein Nachteil bleibt der enorme Rechenaufwand auf Grafikprozessoren, der für das vorangehende Training zwingend erforderlich ist.

Durch das reduzierte Design lässt sich der Roboter in der Simulation sehr präzise abbilden. Das führt dazu, dass Verhaltensweisen, die am Computer funktionieren, meist auch in der Praxis erfolgreich sind. Während das Training auf Lasten von etwa 23 bis 32 Kilogramm ausgelegt war, konnte die Maschine im Testlabor bereits Objekte mit einem Gewicht von über 45 Kilogramm heben.

Neben pragmatischen Aufgaben trainiert das System auch akrobatische Bewegungen wie Handstände oder Rückwärtssaltos. Das dient laut den Entwicklern dazu, das Gleichgewicht, die Agilität und die Sturzprävention zu verbessern. Zudem testet man so das Wärmemanagement der Hardware, um einen zuverlässigen Betrieb in heißen Industrieumgebungen zu gewährleisten.

Wie beurteilt ihr den Einsatz von humanoiden Robotern in Fabriken und Lagerhallen? Teilt eure Meinung gerne mit uns in den Kommentaren!

Zusammenfassung
  • Boston Dynamics bereitet den Atlas-Roboter auf schwere Fabrikarbeit vor
  • Durch maschinelles Lernen trainiert die Maschine in virtuellen Welten
  • Das System nutzt interne Sensoren zur Erfassung von Gewicht und Balance
  • Eine vereinfachte Architektur mit nur zwei Aktuatortypen senkt Kosten
  • Symmetrische Gliedmaßen und rotierbare Gelenke fördern den Praxiseinsatz
  • Im Testlabor hob der humanoide Roboter bereits Lasten über 45 Kilogramm
  • Akrobatische Bewegungen dienen der Optimierung des Wärmemanagements

Siehe auch:


Tipp einsenden
❤ WinFuture unterstützen
Sie wollen online einkaufen? Dann nutzen Sie bitte einen der folgenden Links, um WinFuture zu unterstützen: Vielen Dank!