de.wedoany.com-Bericht: Forscher des Georgia Institute of Technology haben ein maschinelles Lernframework namens „Learn to Teach“ (Lernen, um zu lehren) entwickelt. Durch das gleichzeitige Training zweier Reinforcement-Learning-Modelle können humanoide zweibeinige Roboter komplexe Gelände wie Sand, losen Schotter, rutschige Innenböden und steile Hänge überwinden.
Die traditionelle „Lehrer-Schüler“-Methode des Reinforcement Learnings trainiert zunächst ein simuliertes „Lehrer“-Modell mit vollständigen Umgebungsinformationen und überträgt dessen Wissen dann auf den „Schüler“-Algorithmus des physischen Roboters. Feiyang Wu, Doktorand im Bereich maschinelles Lernen am Georgia Tech, weist auf zwei Probleme dieser sequenziellen Trainingsmethode hin: Erstens dauert das kontinuierliche Training zu lange, und zweitens werden dabei große Mengen an vom Lehrer gesammelten Umgebungsinformationen verschwendet. Da die Simulation auf teuren GPU-Chips basiert, führt eine verlängerte Rechenzeit direkt zu höheren Entwicklungskosten.
Die Lösung des Teams besteht darin, das Lehrer- und das Schülermodell gleichzeitig zu trainieren. Der Lehrer muss nicht mehr erst zum Experten werden, bevor er mit dem Unterricht beginnt, sondern kann das unterwegs erworbene Wissen schrittweise an den Schüler weitergeben. Gleichzeitig lernt der Lehrer aus den Fehlern des Schülers, um die „Lehrer-Schüler-Nachahmungslücke“ zu verkleinern – das Problem, dass physische Roboter aufgrund fehlender umfangreicher Daten aus der simulierten Umgebung schlechtere Leistungen erbringen.
In Tests an einem physischen humanoiden Roboter im Labor von außerordentlichem Professor Ye Zhao übertraf dieser Controller die Leistung der vom Roboterhersteller bereitgestellten Standardsoftware. Selbst wenn die Forscher den Roboter kräftig schubsten oder zogen, konnte er seinen Gang autonom anpassen und aufrecht stehen bleiben. Diese Methode wurde auf der IEEE International Conference on Robotics and Automation vorgestellt.
Das Framework zeigt einen Wandel von rechenintensiven Ansätzen hin zu algorithmischer Effizienz. Durch den Nachweis, dass gleichzeitiges Training mit weniger Rechenaufwand eine bessere Balance auf nicht modellierten Geländen ermöglicht, senkt Georgia Tech die Einstiegshürde für kleine Start-ups und akademische Labore, die sich mit Robotik beschäftigen. Das „Learn to Teach“-Framework ist universell einsetzbar und könnte in Zukunft auf Roboterarme in Fertigungsanlagen oder automatisierte Drohnen in Lagern angewendet werden, um die Markteinführungszeit spezialisierter Automatisierungssysteme zu verkürzen.
Allerdings bestehen noch Hürden für eine kommerzielle Anwendung. Die Forscher haben noch keine genauen Benchmark-Daten veröffentlicht; die Kosteneinsparungen bei der Berechnung sind lediglich richtungsweisende Schlussfolgerungen. Darüber hinaus stellt die Industrie strenge Anforderungen an Sicherheitszertifizierungen, und das Entscheidungsverhalten neuronaler Netze kann bei noch nie gesehenen Hindernissen unvorhersehbar sein. Unternehmen sind daher zurückhaltend, solche flexiblen Controller einzusetzen, bevor hochstandardisierte Testprotokolle etabliert sind.
