85 Prozent der Würfe finden ihren Weg ins Ziel. Den optimalen Abwurf bringt sich der Roboterarm eigenständig bei.

Der von Forschern der Universität Princeton und Google entwickelte “TossingBot” wirft Plastikbananen, kleine Bälle und ähnliche Gegenstände zielgenau in eine 25 mal 15 Zentimeter große Box.

85 Prozent der Würfe sitzen, rund 500 gelingen ihm in der Stunde. Herkömmliche “Pick and Place”-Greifarme schaffen laut der Forscher nur bis zu 300 Ablagen.

Hier sehen die Forscher ein mögliches Anwendungsszenario für den Roboterarm – wenn nur Gegenstände geworfen werden, die den Aufprall aushalten oder den Menschen egal sind, zum Beispiel Trümmer nach einer Katastrophe. Für rohe Eier eignet sich das Verfahren nicht so gut.

Wurftrainig mit Deep Learning

Besonders an dem Roboterarm ist, dass er sich das Werfen mit bestärkendem Lernen nach dem Versuch-und-Irrtum-Prinzip selbst beibringt: Er analysiert ein Objekt zunächst visuell mittels RGB-Tiefenkamera und sucht nach dem optimalen Griffpunkt. Denn die Flugkurve eines Objekts hängt – je nach Form – davon ab, wie man es hält.

Für diese Analyse trainierten die Forscher das neuronale Netz vorab mit Grundwissen über Physik, das bei der Entscheidung über den optimalen Griffpunkt einfließt. Nach dieser visuellen und mathematischen Analyse greift der Roboterarm das Objekt und berechnet die Wurfparameter.

Erst dann folgt der eigentliche Wurf. Wenn der sitzt, gibt’s ein mathematisches Leckerli. Fliegt das Objekt neben die Box, wählt die KI beim nächsten Versuch eine neue Griffposition und andere Wurfparameter. Die KI analysiert Griffposition und Wurferfolg immer als Einheit.

Mit 10.000 Griffen und Würfen, das entspricht circa 14 Stunden Training, soll der Roboterarm so für zahlreiche Objekte in seiner Gewichtsklasse zielsicher werden. Im folgenden Video sieht man links die ersten Wurfversuche und rechts die Präzision nach einem Training über Nacht.

Weiter entfernte Boxen – also noch präzisere Würfe – oder größere Roboterarme mit schwereren Gegenständen sind laut der Forscher denkbar. Allerdings steigt der Trainingsaufwand und der Verschleiß am Roboterarm, da er bei weiten oder schweren Würfen einen stärkeren Ruck kompensieren muss.

Einführungsvideo:

Ausführliches Video zur technischen Umsetzung:

Quellen: Google AI Blog, Tossingbot-Projektseite, Paper, Via: IEEE, Titelbild: Google / Princeton

Weiterlesen über Roboter-KI:


MIXEDCAST #160: Ubsioft-VR, Kuro AR-Brille und Deepfake-App Zao | Alle Folgen


Links auf Online-Shops in Artikeln können sogenannte Affiliate-Links sein. Wenn ihr über diesen Link einkauft, erhält MIXED.de vom Anbieter eine Provision. Für euch verändert sich der Preis nicht.