Humanoider Roboter steigt die Leiter hoch: Gelernt in 13 Minuten, bewiesen nur im Simulator

Ein Unitree G1 steigt eine Leiter hoch, springt über eine Kiste und richtet sich nach einem Sturz von selbst wieder auf, gelernt hat er das aus 13,2 Minuten menschlicher Bewegung. Eingereicht hat die Arbeit am 22. Oktober das Robotic Systems Lab der ETH Zürich, gemeinsam mit Forschenden von Apple und Nvidia.

Neu ist der Verzicht auf die Vorlage, denn der Roboter kopiert keine aufgezeichnete Bewegung mehr, sondern plant selbst voraus, wo er sich mit Händen, Knien oder Ellbogen abstützen will. Die Erfolgsquote von 92,5 Prozent klingt danach überzeugend, nur stammt sie aus Simulationskursen, in denen Sensorrauschen und Verzögerungen bei der Ansteuerung abgeschaltet waren. Für den echten Roboter in einer echten Halle nennt das Paper keine einzige Erfolgszahl.

Zwei neuronale Netze teilen sich die Arbeit, und beide laufen an Bord mit fünfzig Hertz. Das erste sagt voraus, wo Hände, Ellbogen, Knie, Füsse und Becken in den nächsten 1,5 Sekunden Kontakt zur Umgebung aufnehmen sollen, neun Berührungspunkte insgesamt. Das zweite übersetzt diesen Plan in Befehle für 23 Gelenke, während die Gelenkregelung darunter viermal so schnell arbeitet. Gesehen wird die Umgebung von einem Lidar am Kopf, dessen Punktwolke in weniger als dreissig Millisekunden zu einer Höhenkarte mit drei Zentimetern Raster wird, und gerechnet wird das alles auf dem Hauptprozessor eines Jetson Orin NX.

Dahinter steckt eine Entscheidung, über die die Robotik seit Jahren streitet. Wer eine Steuerung ohne Bewegungsvorlagen trainiert, bekommt eine Maschine, die mit unbekanntem Gelände gut umgeht, dabei aber unbeholfen aussieht und sich nur mühsam zu koordinierten Ganzkörperbewegungen überreden lässt. Wer dagegen menschliche Aufnahmen nachahmen lässt, erhält flüssige Bewegungen, die ausserhalb der aufgezeichneten Bahnen sofort scheitern. Die Zürcher Gruppe benutzt die Bewegungsdaten nur noch als Vorwissen im Training und macht den Kontakt selbst zur Schnittstelle zwischen Wahrnehmung und Steuerung. Zur Laufzeit kommt die Maschine damit ohne jede Referenz aus und kennt nur noch ihren eigenen Zustand, die Höhenkarte und ein Ziel.

Die 13,2 Minuten Bewegungsmaterial stammen nicht aus einem einzigen Archiv, sondern aus mehreren Sammlungen wie Mixamo, LAFAN und Omniretarget, und sie wurden rechnerisch erweitert. Teuer ist nicht das Material, teuer ist die Rechenzeit, denn trainiert wurde in drei Stufen auf Grafikkarten vom Typ RTX 4090, mit bis zu zwölftausend parallelen Simulationen pro Karte. Allein die letzte Stufe lief gut zwei Tage auf vier dieser Karten. Diese Stufe ist die wertvollste, weil sie die Fähigkeiten auf Geländeformen ausdehnt, die in den Menschendaten nie vorkamen, und die Erfolgsquote bei dünn gesäten Tritten um 54,8 Prozentpunkte hebt.

Die Grenzen schreiben die Autoren selbst hin, und sie sind deutlicher, als die Videos vermuten lassen. Die Kontaktdarstellung denkt in Böden und Stufen, also in zweieinhalb Dimensionen, weshalb ein Griff über Kopf oder das Hängen an einer Stange nicht vorgesehen ist. Eine globale Navigation fehlt ebenfalls, der Roboter bewegt sich nur lokal auf ein vorgegebenes Ziel zu. Und Bewegungen ohne eigene Berührungsfolge lassen sich mit diesem Ansatz grundsätzlich nicht auseinanderhalten, weil ein Rückwärtssalto und ein senkrechter Sprung dieselbe Abfolge von Kontakten ergeben.

Auch der Vergleichswert verdient einen zweiten Blick. Die 58,8 Prozent, die das Paper der Vorgängermethode MGMT auf denselben acht Kursen zuschreibt, wurden unter genau denselben entschärften Bedingungen gemessen wie die 92,5 Prozent. Der Abstand zeigt deshalb vor allem, dass die neue Kontaktplanung besser plant, und nicht, dass sie auf Beton hält. Was in der realen Halle passiert, belegen bisher Aufnahmen einzelner Durchgänge, und die Autoren nennen sie ausdrücklich umfangreiche Versuche, ohne eine Quote dazu zu liefern.

Für die Schweiz ist daran etwas interessant, das im Paper nicht steht: Der Körper kommt aus Hangzhou, das Können aus Zürich. Die beschriebene Ausstattung entspricht der Forschungsvariante G1 EDU-U1 mit 23 Freiheitsgraden und Jetson Orin NX, die im Verzeichnis von robothub24 mit einem Richtpreis von 31'879 Franken steht. Gemessen an den sechsstelligen Summen, die für die grossen amerikanischen Humanoiden genannt werden, ist das der Preis eines Lieferwagens.

Genau daran hängt die wirtschaftliche Frage. Wenn die Fähigkeiten einer solchen Maschine nachträglich als Software kommen, verschiebt sich ihr Wert vom Metall in den Code, und eine Volkswirtschaft, die vom Metall bisher gut gelebt hat, muss sich überlegen, wo sie dabei mitverdient. Seit die USA im Juli Importe chinesischer Roboter gesperrt haben, ist diese Arbeitsteilung zusätzlich politisch aufgeladen, denn europäische Gruppen forschen ungestört auf Geräten, die ein amerikanisches Labor nicht mehr neu beschaffen darf.

Wie eng die Sache inzwischen verflochten ist, zeigt die Autorenliste. Vladlen Koltun und Matthias Müller forschen für Apple, Clemens Schwarke sitzt zugleich bei Nvidia, und über allem steht Marco Hutter, dessen Labor schon den Vierbeiner ANYmal in die Industrie gebracht hat. Das Paper trägt den Vermerk under review, der Code ist noch nicht veröffentlicht, und auf der Projektseite fehlt bis heute selbst das Hauptvideo zur Arbeit.