Eine große Herausforderung beim Training von KI-Modellen zur Steuerung von Robotern besteht darin, genügend realistische Daten zu sammeln. Forscher am MIT haben nun gezeigt, dass sie einen Roboterhund mit 100 Prozent synthetischen Daten trainieren können. Traditionell wurden Roboter darauf programmiert, bestimmte Aufgaben auszuführen. Dies führt jedoch oft zu starren Systemen, die mit der Unsicherheit der realen Welt nicht gut zurechtkommen.
Ansätze des maschinellen Lernens, die Roboter anhand realer Beispiele trainieren, versprechen flexiblere Maschinen zu schaffen. Doch das Sammeln genügend Trainingsdaten ist eine Herausforderung. Eine mögliche Lösung besteht darin, Roboter mithilfe von Computersimulationen der realen Welt zu trainieren. Allerdings leidet diese Methode unter der sogenannten ‚Sim-to-Real Gap‘ – virtuelle Umgebungen sind oft keine exakten Nachbildungen der realen Welt.
Die Forscher am MIT haben einen Weg gefunden, Simulationen und generative KI zu kombinieren, um einem Roboter beizubringen, ohne reale Welt-Daten eine Vielzahl anspruchsvoller Fortbewegungsaufgaben in der physischen Welt zu bewältigen. Sie nutzten Text-zu-Bild-Generatoren zur Erstellung realistischer Szenen und kombinierten diese mit dem Simulator MuJoCo.
Nach dem Generieren dieser realistischen Umgebungsbilder konvertierten die Forscher sie in kurze Videos aus der Perspektive eines Roboters. Dieser Ansatz übertraf in Tests mit echten Robotern auf vier von fünf Aufgaben ein Expertensystem und übertraf deutlich ein Modell, das mit ‚Domain Randomization‘ trainiert wurde.
Die Forscher planen als nächstes, einen humanoiden Roboter ausschließlich mit synthetischen Daten zu trainieren und die Methode zur Verbesserung des Trainings von robotischen Armen bei geschicklichkeitsbasierten Aufgaben einzusetzen. Methoden wie diese könnten angesichts des enormen Bedarfs an Trainingsdaten für Roboter in den kommenden Jahren zunehmend wichtig werden.
