Ein neues Video von Foundation Robotics zeigt den humanoiden Roboter Phantom MK1 bei einem ungewöhnlichen Test. Er navigiert einen Hindernisparcours aus Alltagsgegenständen, um seine Stabilität und Reaktionsfähigkeit zu demonstrieren. Dieser Test konzentriert sich auf die grundlegende Mobilität des Roboters, ohne auf visuelle Daten zurückzugreifen.
Wichtige Erkenntnisse
- Der Phantom MK1 wurde auf seine Balance und Reaktionsfähigkeit ohne visuelle Unterstützung getestet.
- Sensoren für Fußdrehmoment und Trägheitsmesseinheiten (IMUs) sind entscheidend für die Stabilität.
- Das System wurde mittels Reinforcement Learning in Simulationen trainiert und auf die Hardware übertragen.
- Eine Bananenschale stellte die größte Herausforderung dar und führte zu einem Beinahe-Sturz.
- Der Roboter benötigt weiterhin eine Sicherheitsvorrichtung für unstrukturierte Umgebungen.
Der "Gehtest": Eine Herausforderung für die Robotik
Foundation Robotics hat ein Video veröffentlicht, das den Phantom MK1 durch einen "Gehtest" führt. Der humanoide Roboter musste sich auf einem Parcours voller Hindernisse beweisen. Dazu gehörten Legosteine, Verpackungschips und sogar Bananenschalen. Das Ziel war es, die Grenzen seiner Fähigkeiten zu entdecken und die grundlegende Mobilität zu verbessern.
Dieser Test wurde absichtlich "blind" durchgeführt. Das bedeutet, der Roboter nutzte seine sechs Kameras im Kopf nicht. Stattdessen verließ er sich auf interne Sensoren. Das Unternehmen bezeichnet dies als Test des "Rückenmarks" des Roboters, nicht des "Gehirns".
Faktencheck: Phantoms Sensoren
- Fußdrehmomentsensoren: Diese messen den Kontakt mit dem Boden und die auf die Füße wirkenden Kräfte.
- IMU-Sensoren: Trägheitsmesseinheiten in Beinen, Becken, Armen und Kopf verfolgen die Schwerkraft und den Schwerpunkt des Roboters.
Die Rolle des Ganzkörper-Controllers
Im Zentrum dieser Demonstration steht der sogenannte "Ganzkörper-Controller". Foundation Robotics beschreibt ihn als das "Rückenmark" des Roboters. Dieses System wandelt grobe Bewegungsbefehle in feine Anpassungen um. Es steuert die sechs Motoren in jedem Bein präzise.
Durch das Ignorieren visueller Daten testet das Unternehmen die Fähigkeit des Roboters, auf physische Störungen zu reagieren. Ein Ausrutschen auf einer Murmel wird so allein durch Propriozeption und haptisches Feedback verarbeitet. Dies unterscheidet sich von den höheren Deep Variational Bayes Filtern (DVBF) des Unternehmens. Diese sollen dem Roboter helfen, die Physik seiner Umgebung vorherzusagen.
Entwicklung durch Reinforcement Learning
Die für diesen Test verwendete Balance-Strategie wurde mit Reinforcement Learning (RL) entwickelt. Das System lernt in einer Simulationsumgebung durch Millionen von Versuchen. Es erlebt dabei Erfolg und Misserfolg. Erst danach wird es auf die physische Hardware übertragen. Dieser Ansatz ermöglicht es, den Roboter in einer sicheren Umgebung zu trainieren, bevor er in der realen Welt eingesetzt wird.
Während des "Gehtests" steuerte ein Techniker die Gangart des Roboters mit einem handelsüblichen PlayStation-Controller. Die Balance selbst bleibt autonom. Die Richtung und Rotation übernimmt jedoch der Mensch. Dies ist laut Foundation Robotics wichtig für Verteidigungsanwendungen. Dort muss ein "Mensch in der Schleife" taktische Entscheidungen treffen.
"Das Meistern dieser grundlegenden Mobilitätsherausforderungen wird es dem Phantom letztendlich ermöglichen, Aufgaben zu erfüllen, die für Menschen zu gefährlich oder repetitiv sind."
Sim-to-Real-Lücke
Die "Sim-to-Real-Lücke" beschreibt die Herausforderung, dass in Simulationen erlernte Verhaltensweisen in der realen Welt oft nicht perfekt funktionieren. Faktoren wie Reibung, Materialeigenschaften und unvorhergesehene Ereignisse sind in der Simulation schwer vollständig abzubilden.
Die Tücke der Bananenschale
Die Ergebnisse des Parcours waren gemischt. Sie zeigten, dass die "Sim-to-Real-Lücke" weiterhin eine Hürde darstellt. Der Phantom navigierte erfolgreich durch ein Feld von Mausefallen und Murmeln. Doch die Bananenschale erwies sich als Stolperstein. Der Roboter rutschte erheblich aus.
Nur eine Sicherheitsvorrichtung, ein Gantry, bewahrte ihn vor einem "Besuch im Roboter-Krankenhaus". Diese Abhängigkeit von einer Sicherung zeigt die aktuelle Empfindlichkeit der Hardware. Foundation Robotics hatte bereits in der Vergangenheit mit Hardware-Ausfällen zu kämpfen. Ein bekannter Vorfall ereignete sich in der Newsweek-Zentrale.
Die Verwendung einer solchen Vorrichtung in diesem Video legt nahe, dass der Phantom noch nicht bereit ist, unstrukturierte, rutschige Umgebungen ohne ein buchstäbliches Sicherheitsnetz zu bewältigen. Dies unterstreicht die Komplexität der Entwicklung von humanoiden Robotern, die in realen Szenarien zuverlässig funktionieren sollen.
Interessante Statistik
Obwohl der Roboter viele Hindernisse überwand, scheiterte er an der Bananenschale – ein klassisches Problem in der Robotik, das die Schwierigkeit unvorhersehbarer Reibungsverhältnisse verdeutlicht.
Skalierung für "gefährliche Aufgaben"
Foundation Robotics sieht diese Experimente als notwendigen Schritt. Das Unternehmen strebt einen universellen humanoiden Roboter an. CEO Sankaet Pathak betont, dass das Beherrschen dieser grundlegenden Mobilitätsherausforderungen entscheidend ist. Nur so kann der Phantom später Aufgaben übernehmen, die für Menschen zu gefährlich oder repetitiv sind. Dies reicht von der Automobilfertigung bis hin zum Aufbau von Mausefallen oder der Navigation auf Schlachtfeldern.
Das Unternehmen verfolgt einen aggressiven Plan. Es will die Produktion im Jahr 2026 auf Tausende von Einheiten skalieren. Die zentrale Frage für das San Franciscoer Startup bleibt: Kann der Phantom den Übergang vom kontrollierten Umfeld des "Gehtests" zur unvorhersehbaren Realität eines kommerziellen oder militärischen Einsatzes ohne seine Sicherung schaffen? Die Entwicklung bleibt spannend.
Das Video des Tests können Sie hier ansehen:
