Robotik ist der Zweig der Ingenieurwissenschaften und Informatik, der sich mit dem Entwurf, der Konstruktion, dem Betrieb und der Programmierung physischer Maschinen – Roboter – befasst, die ihre Umgebung wahrnehmen und in ihr physisch handeln. Obwohl die Robotik der modernen künstlichen Intelligenz um Jahrzehnte vorausgeht und bis zu den Industriearmen zurückreicht, die ab den 1960er-Jahren in Fabrikhallen eingesetzt wurden, ist das Feld zunehmend mit KI verwoben, da Wahrnehmung, Planung und Steuerung sich von handcodierten Regeln hin zu gelernten Modellen verlagert haben – eine Konvergenz, die oft unter dem Oberbegriff verkörperte KI diskutiert wird.
Von industrieller zu gelernter Robotik
Frühe Industrieroboter, wie der Unimate-Arm, der 1961 in einem Werk von General Motors installiert wurde, arbeiteten mit festen, vorprogrammierten Bewegungsabläufen in streng kontrollierten Umgebungen und benötigten keine Wahrnehmung einer unstrukturierten Welt. Die Forschungrobotik der 1980er- und 1990er-Jahre, beispielhaft vertreten durch Projekte wie Rodney Brooks' Subsumptionsarchitektur-Roboter, erkundete reaktive, sensorgesteuerte Steuerung als Alternative zur symbolischen Planung. Die DARPA-Grand-Challenge-Wettbewerbe von 2004 und 2005, bei denen autonome Fahrzeuge die Wüste durchqueren mussten, gelten weithin als Auslöser für die moderne Forschung zu Roboterwahrnehmung und -planung und als Keimzelle der selbstfahrenden Autos-Industrie. In den folgenden zwei Jahrzehnten ersetzten Computersehen und bestärkendes Lernen zunehmend handgefertigte Regeln für Aufgaben wie Greifen, Fortbewegung und Navigation, sodass Roboter, die weitgehend in Simulationen trainiert wurden, bis zu einem gewissen Grad in der physischen Welt generalisieren konnten – ein Transfer, der allgemein als Sim-to-Real bezeichnet wird.
KI-gesteuerte Wahrnehmung und Steuerung
Die moderne Robotik stützt sich stark auf dieselben Deep-Learning-Techniken, die auch sonst in der KI verwendet werden. Faltungsneuronale Netze und später Vision-Sprach-Modelle verleihen Robotern die Fähigkeit, Objekte und Szenen zu erkennen; bestärkendes Lernen und Imitationslernen, bei dem ein Roboter durch Nachahmung aufgezeichneter menschlicher Demonstrationen lernt, werden zum Trainieren von Steuerungspolicies eingesetzt; und seit den frühen 2020er-Jahren kombinieren Vision-Language-Action-Modelle (VLA-Modelle) eine große, vortrainierte Vision-Sprach-Modell-Basis mit einem Ausgabekopf, der direkt Roboter-Motorbefehle erzeugt, sodass ein einziges Modell natürliche Sprachbefehle über verschiedene physische Aufgaben hinweg befolgen kann. Dies hat eine Welle allgemeiner Roboter-Foundation-Modelle hervorgebracht, die sowohl von etablierten Robotiklaboren als auch von KI-Unternehmen, die neu in das Feld eintreten, verfolgt werden.
Anwendungsbereiche
Industrie- und Lagerrobotik bleibt die größte installierte Basis, wobei Roboterarme und autonome mobile Roboter in Fertigung und Logistik weit verbreitet sind, einschließlich großer Fulfillment-Betriebe von Unternehmen wie Amazon. Chirurgierobotik, beispielhaft durch das da-Vinci-System, erweitert die Präzision von Chirurgen durch teleoperierte Instrumente. Landwirtschaftsroboter übernehmen Ernte und Pflanzenüberwachung, und Haushaltsroboter, am erfolgreichsten Roboterstaubsauger, stellen die bisher am weitesten verbreitete Verbraucherkategorie dar. Humanoide Roboter-Plattformen, die auf allgemeine Aufgaben in menschengestalteten Umgebungen abzielen, und selbstfahrende Autos-Systeme stellen Mitte der 2020er-Jahre die kapitalintensivsten und am genauesten beobachteten Grenzbereiche des Feldes dar.
Herausforderungen
Trotz rascher KI-Fortschritte hat sich die Robotik historisch langsamer entwickelt als rein digitale KI-Anwendungen – eine Lücke, die manchmal als Moravecs Paradoxon zusammengefasst wird: Aufgaben, die für Menschen trivial sind, wie das Aufheben eines unregelmäßig geformten Objekts oder das Gehen über unebenes Gelände, bleiben für Maschinen schwierig, während Aufgaben, die für Menschen schwer sind, wie komplexe Berechnungen, für Computer vergleichsweise einfach sind. Physische Roboter stehen zudem vor Einschränkungen, die rein softwarebasierte KI-Systeme nicht haben, darunter Hardwarekosten, Haltbarkeit, Sicherheit im Umgang mit Menschen und die Schwierigkeit, große, vielfältige reale Trainingsdaten zu sammeln, die mit den internetweiten Text- und Bildkorpora vergleichbar sind, die moderne Großsprachmodelle und Text-zu-Bild-Systeme trainiert haben.