Stellen Sie sich eine Zukunft vor, in der Roboter so in das Gewebe des menschlichen Lebens integriert sind, dass sie so verbreitet sind wie Smartphones heute. Der Bereich der Robotik hat das Potenzial, die Lebensqualität bei der Arbeit, zu Hause und beim Spielen erheblich zu verbessern, indem Menschen bei kognitiven und körperlichen Aufgaben unterstützt werden. Seit Jahren unterstützen Roboter menschliche Aktivitäten bei gefährlichen, schmutzigen und langweiligen Aufgaben und ermöglichen die Erforschung unerreichbarer Umgebungen, von den tiefen Ozeanen bis zum Weltraum. Immer leistungsfähigere Roboter werden in der Lage sein, sich anzupassen, zu lernen und mit Menschen und anderen Maschinen auf kognitiver Ebene zu interagieren.
Der rasante technologische Fortschritt der letzten zehn Jahre hat das Rechnen unverzichtbar gemacht. Computing hat die Art und Weise, wie wir arbeiten, leben und spielen, verändert. Die Digitalisierung von praktisch allem, gepaart mit Fortschritten in der Robotik, verspricht eine Zukunft, in der der Zugang zu Hightech-Maschinen demokratisiert und die Anpassung weit verbreitet ist. Roboter werden aufgrund ihrer Fähigkeit, komplexere Berechnungen auszuführen und über immer umfangreichere Sensoren und bessere Aktoren mit der Welt zu interagieren, immer leistungsfähiger.
Eine vernetzte Welt mit vielen maßgeschneiderten Robotern, die mit Menschen zusammenarbeiten, schafft bereits neue Arbeitsplätze, verbessert die Qualität bestehender Arbeitsplätze und spart den Menschen Zeit, damit sie sich auf das konzentrieren können, was sie interessant, wichtig und aufregend finden. Roboter sind bereits heute unsere Partner in Industrie und Haushalt. Sie arbeiten Seite an Seite mit Menschen in Fabriken und Operationssälen. Sie mähen unseren Rasen, saugen unsere Böden und melken sogar unsere Kühe. In ein paar Jahren werden sie noch mehr Teile unseres Lebens berühren.
Wenn Sie in Ihrem fahrerlosen Auto zur Arbeit pendeln, können Sie lesen, Anrufe zurückrufen, Ihre Lieblings-Podcasts abrufen und sogar ein Nickerchen machen. Das Roboterauto dient auch als Ihr Assistent, verfolgt, was Sie tun müssen, plant Ihre Routen, um sicherzustellen, dass alle Ihre Aufgaben erledigt sind, und überprüft die neuesten Verkehrsdaten, um die am wenigsten überlasteten Straßen auszuwählen. Fahrerlose Autos werden dazu beitragen, Todesfälle durch Autounfälle zu reduzieren, während autonome Gabelstapler dazu beitragen können, Rückenverletzungen durch das Heben schwerer Gegenstände zu beseitigen. Roboter können einige bestehende Arbeitsplätze verändern, aber insgesamt können Roboter große gesellschaftliche Beiträge leisten. Rasenpflegeroboter und Poolreinigungsroboter haben die Art und Weise verändert, wie diese Aufgaben erledigt werden. Roboter können die Menschheit bei großen und kleinen Problemen unterstützen.
Die Digitalisierung von praktisch allem, gepaart mit Fortschritten in der Robotik, verspricht eine Zukunft, in der der Zugang zu Hightech-Maschinen demokratisiert und die Anpassung weit verbreitet ist
Das Ziel der Robotik ist es nicht, den Menschen durch Mechanisierung und Automatisierung von Aufgaben zu ersetzen, sondern neue Wege zu finden, die es Robotern ermöglichen, effektiver mit Menschen zusammenzuarbeiten. Roboter sind besser als Menschen bei Aufgaben wie dem Knirschen von Zahlen und dem präzisen Bewegen. Roboter können viel schwerere Gegenstände heben. Menschen sind besser als Roboter bei Aufgaben wie Denken, Definieren von Abstraktionen und Verallgemeinern oder Spezialisieren, dank unserer Fähigkeit, auf frühere Erfahrungen zurückzugreifen. Durch die Zusammenarbeit können Roboter und Menschen die Fähigkeiten des anderen erweitern und ergänzen.
Ein Jahrzehnt des Fortschritts, der Autonomie ermöglicht
Die Fortschritte in der Robotik im letzten Jahrzehnt haben gezeigt, dass Robotergeräte Menschen und ihre Umwelt auf einzigartige Weise bewegen, manipulieren und mit ihnen interagieren können. Die Fortbewegungsfähigkeiten von Robotern wurden durch die breite Verfügbarkeit genauer Sensoren (z. B. Laserscanner), Hochleistungsmotoren und die Entwicklung robuster Algorithmen für Kartierung, Lokalisierung, Bewegungsplanung und Wegpunktnavigation ermöglicht. Dank der Fortschritte bei der Entwicklung von Roboterkörpern (Hardware) und Robotergehirnen (Software) sind viele neue Anwendungen möglich.
Die Fähigkeiten von Robotern werden durch die enge Kopplung zwischen ihren physischen Körpern und der Berechnung, die ihr Gehirn umfasst, definiert. Zum Beispiel muss ein fliegender Roboter einen Körper haben, der fliegen kann, und Algorithmen, um den Flug zu steuern. Heutige Roboter können sich am Boden, in der Luft und im Wasser fortbewegen. Sie können Objekte erkennen, neue Umgebungen abbilden, Pick-and-Place-Vorgänge ausführen, lernen, die Steuerung zu verbessern, einfache menschliche Bewegungen nachzuahmen, neues Wissen zu erwerben und sogar als koordiniertes Team zu fungieren. Zum Beispiel werden die neuesten Fußballroboter und -algorithmen bei einem jährlichen Roboterfußballwettbewerb namens RoboCup in die Praxis umgesetzt.
Die jüngsten Fortschritte bei der Festplattenspeicherung, der Skalierung und Leistung des Internets, der drahtlosen Kommunikation, Werkzeugen zur Unterstützung von Design und Fertigung sowie der Leistung und Effizienz von Elektronik in Verbindung mit dem weltweiten Wachstum der Datenspeicherung haben die Entwicklung von Robotern auf vielfältige Weise beeinflusst. Die Hardwarekosten sinken, elektromechanische Komponenten sind zuverlässiger, Werkzeuge zur Herstellung von Robotern sind reicher, Programmierumgebungen sind leichter verfügbar und Roboter haben über die Cloud Zugriff auf das Wissen der Welt. Wir können uns den Sprung vom Personal Computer zum Personal Robot vorstellen, der zu vielen Anwendungen führt, in denen Roboter durchdringend existieren und Seite an Seite mit Menschen arbeiten.
Das Ziel der Robotik ist es nicht, den Menschen durch Mechanisierung und Automatisierung von Aufgaben zu ersetzen, sondern neue Wege zu finden, die es Robotern ermöglichen, effektiver mit Menschen zusammenzuarbeiten
Transport ist ein gutes Beispiel. Es ist viel einfacher, einen Roboter durch die Welt zu bewegen, als einen Roboter zu bauen, der mit ihm interagieren kann. In den letzten zehn Jahren haben bedeutende Fortschritte bei Algorithmen und Hardware es uns ermöglicht, uns eine Welt vorzustellen, in der Menschen und Güter mit optimierten Flotten selbstfahrender Autos viel sicherer und bequemer bewegt werden.
In einem einzigen Jahr fahren Amerikaner fast drei Billionen Meilen.1 Wenn Sie das bei 60 Meilen pro Stunde berechnen, summiert sich das auf fast fünfzig Milliarden Stunden im Auto.2 Diese Zahl wächst exponentiell, wenn man den Rest der Welt betrachtet. Aber die Zeit in unseren Autos ist nicht ohne Herausforderungen. Alle fünf Sekunden kommt es in den USA zu einem Autounfall.3 Weltweit sind Verletzungen im Straßenverkehr die achthäufigste Todesursache, wobei jedes Jahr etwa 1,24 Millionen Menschen ums Leben kommen.4 Zusätzlich zu diesen schrecklichen menschlichen Kosten fordern diese Abstürze einen enormen wirtschaftlichen Tribut. Die National Highway Traffic Safety Administration hat die wirtschaftlichen Kosten in den Vereinigten Staaten auf etwa 277 Milliarden Dollar pro Jahr berechnet.5 Diese Zahlen einzudämmen, ist eine enorme Herausforderung – aber eine, die es zu bewältigen gilt. Selbstfahrende Fahrzeuge haben das Potenzial, Verkehrsunfälle zu vermeiden.
Stellen Sie sich vor, Autos könnten lernen … lernen, wie wir fahren … lernen, niemals für eine Kollision verantwortlich zu sein … lernen, was wir brauchen, wenn wir fahren? Was wäre, wenn sie vertrauenswürdige Partner werden könnten? Partner, die uns helfen könnten, auf kniffligen Straßen zu navigieren, uns den Rücken zu wahren, wenn wir müde sind, und sogar unsere Zeit im Auto … Spaß zu machen? Was wäre, wenn Ihr Auto Ihnen sagen könnte, dass Sie einen harten Tag haben und Ihre Lieblingsmusik einschalten könnten, um sich zu entspannen, während Sie genau beobachten, wie Sie fahren? Was wäre, wenn Ihr Auto auch wüsste, dass Sie gestern vergessen haben, Ihre Eltern anzurufen, und auf dem Heimweg eine sanfte Erinnerung ausgegeben hätten. Und stellen Sie sich vor, es war einfach, diesen Anruf zu tätigen, weil Sie das Fahren auf einem langweiligen Autobahnabschnitt dem Auto zuwenden konnten.
In Anerkennung dieses außergewöhnlichen Potenzials In den letzten Jahren kündigten die meisten Autohersteller Projekte für selbstfahrende Autos an. Elon Musk sagte berühmt voraus, dass wir in fünf Jahren am Steuer einschlafen könnten; Das Google / Waymo-Auto war viel in den Nachrichten, weil es mehrere Millionen unfallfreie Meilen gefahren ist; Nissan versprach selbstfahrende Autos bis 2020; Mercedes schuf einen Prototyp 2014 Model S Autonomes Auto; und Toyota angekündigt (September 2015) ein ehrgeiziges Programm ein Auto zu entwickeln, die nie für eine Kollision verantwortlich sein wird, und investiert $ 1 Milliarde künstliche Intelligenz voranzutreiben.
Es gibt eine Menge Aktivität in diesem Raum über ein großes Spektrum von Auto-Fähigkeiten. Um zu verstehen, wo all die verschiedenen Fortschritte liegen, ist es hilfreich, sich die Klassifizierung der fünf Autonomiestufen der National Highway Traffic Safety Administration (NHTSA) anzusehen: Stufe 0 enthält keine Unterstützung für die Automatisierung; Level 1 beinhaltet Werkzeuge für zusätzliches Feedback an den menschlichen Fahrer, zum Beispiel mit einer Rückfahrkamera; Level 2 beinhaltet lokalisierte aktive Steuerung, zum Beispiel Antiblockierbremsen; Level 3 beinhaltet Unterstützung für Select-Autonomie, aber der Mensch muss bereit sein zu übernehmen (wie im Tesla-Autopiloten); Level 4 beinhaltet Autonomie an einigen Stellen; und Level 5 ist Autonomie in allen Umgebungen die ganze Zeit.
Eine alternative Möglichkeit, den Autonomiegrad eines selbstfahrenden Autos zu charakterisieren, besteht darin, drei Achsen zu definieren (1) die Geschwindigkeit des Fahrzeugs; (2) die Komplexität der Umgebung, in der sich das Fahrzeug bewegt, und (3) die Komplexität der Interaktionen mit sich bewegenden Agenten (Autos, Menschen, Radfahrer usw.) in dieser Umgebung. Die Forscher schieben den Umschlag entlang jeder dieser Achsen mit dem Ziel, der Autonomie der Stufe 5 näher zu kommen.
In den letzten zehn Jahren haben bedeutende Fortschritte bei Algorithmen und Hardware es uns ermöglicht, uns eine Welt vorzustellen, in der Menschen und Güter auf viel sicherere und bequemere Weise mit optimierten Flotten selbstfahrender Autos bewegt werden
Aufgrund der Fortschritte bei Algorithmen und Hardware in den letzten zehn Jahren ist die heutige Technologie bereit für Level-4-Einsätze mit niedrigen Geschwindigkeiten in Umgebungen mit geringer Komplexität und geringer Interaktion mit umliegenden Fußgängern und anderen Fahrzeugen. Dazu gehört die Autonomie auf privaten Straßen, wie in Ruhestandsgemeinden und auf dem Campus, oder auf öffentlichen Straßen, die nicht sehr überlastet sind.
Die Autonomie der Stufe 4 wurde durch ein Jahrzehnt der Fortschritte bei der Hardware und den Algorithmen ermöglicht, die den Robotern zur Verfügung stehen. Am wichtigsten ist die Konvergenz mehrerer wichtiger algorithmischer Entwicklungen: Kartenerstellung, dh das Fahrzeug kann seine Sensoren verwenden, um eine Karte zu erstellen; Lokalisierung, dh das Fahrzeug kann seine Sensoren verwenden, um herauszufinden, wo es sich auf der Karte befindet; Wahrnehmung, dh das Fahrzeug kann die sich bewegenden Objekte auf der Straße wahrnehmen; planung und Entscheidungsfindung, was bedeutet, dass das Fahrzeug auf der Grundlage dessen, was es jetzt sieht, herausfinden kann, was als nächstes zu tun ist; und zuverlässige Hardware sowie Fahrdatensätze, die es Autos ermöglichen, von Menschen zu lernen, wie man fährt. Heute können wir so viele gleichzeitige Berechnungen durchführen, so viel mehr Daten verarbeiten und Algorithmen in Echtzeit ausführen. Diese Technologien haben uns an einen Punkt gebracht, an dem wir die Idee der Autonomie auf den Straßen realistisch diskutieren können.
Wir haben jedoch noch keine Autonomie der Stufe 5. Zu den technologischen Herausforderungen für die Autonomie der Stufe 5 gehören: fahren in Staus, Fahren mit hohen Geschwindigkeiten, Fahren bei schlechtem Wetter (Regen, Schnee), Fahren unter menschlichen Fahrern, Fahren in Gebieten, in denen es keine Karten mit hoher Dichte gibt, und Reagieren auf Eckfälle. Das Wahrnehmungssystem eines Fahrzeugs hat nicht die gleiche Qualität und Wirksamkeit wie das menschliche Auge. Um es klar zu sagen, es gibt einige Dinge, die Maschinen besser können als Menschen, wie zum Beispiel genau abschätzen, wie schnell sich ein anderes Fahrzeug bewegt. Aber Roboter teilen nicht unsere Erkennungsfähigkeiten. Wie konnten sie? Wir verbringen unser ganzes Leben damit, die Welt zu beobachten und zu verstehen. Maschinen benötigen Algorithmen, um dies zu tun, und Daten — viele, viele, viele Daten, die kommentiert werden, um ihnen zu sagen, was das alles bedeutet. Um Autonomie zu ermöglichen, müssen wir neue Algorithmen entwickeln, die ihnen helfen, aus weit weniger Beispielen unbeaufsichtigt und ohne ständiges menschliches Eingreifen zu lernen.
Es gibt zwei Philosophien, die die Forschung und Entwicklung im autonomen Fahren vorantreiben: Serienautonomie und Parallelautonomie. Parallele Autonomie betrifft die Entwicklung von Fahrerassistenztechnologien, bei denen der Fahrer am Steuer sitzt, aber das Fahrerassistenzsystem überwacht, was der Fahrer tut, und greift bei Bedarf ein – auf eine Weise, die keinen Schaden anrichtet —, um beispielsweise eine Kollision zu verhindern oder den Lenkwinkel zu korrigieren, der das Auto auf der Straße hält. Die Autonomiefähigkeiten des Autos wachsen schrittweise, arbeiten aber parallel zum Menschen. Der parallele Autonomieansatz ermöglicht es dem Auto, überall und jederzeit zu arbeiten. Serienautonomie verfolgt die Idee, dass der Mensch oder das Auto das Sagen haben, aber nicht beides. Wenn sich das Auto im autonomen Modus befindet, trägt der Mensch in keiner Weise zum Fahren bei. Die Autonomiefähigkeiten des Autos wachsen ebenfalls schrittweise, aber dieses Auto kann nur gemäß den Fähigkeiten arbeiten, die von seinem Autonomiepaket unterstützt werden. Das Auto wird schrittweise in immer komplexeren Umgebungen eingesetzt.
Es gibt zwei Philosophien, die die Forschung und Entwicklung im autonomen Fahren vorantreiben: Serienautonomie und Parallelautonomie. Letzteres betrifft die Entwicklung von Fahrerassistenztechnologien, bei denen der Fahrer am Steuer sitzt, das Fahrerassistenzsystem jedoch überwacht, was der Fahrer tut, und bei Bedarf eingreift
Die heutigen Serienautonomielösungen arbeiten in geschlossenen Umgebungen (definiert durch die Straßen, auf denen das Fahrzeug fahren kann). Das Autonomierezept beginnt mit der Erweiterung der Fahrzeuge mit Drive-by-Wire-Steuerung und Sensoren wie Kameras und Laserscannern. Die Sensoren werden verwendet, um Karten zu erstellen, sich bewegende Hindernisse wie Fußgänger und andere Fahrzeuge zu erkennen und das Fahrzeug in der Welt zu lokalisieren. Die Lösungen für autonomes Fahren sind kartenbasiert und profitieren von einem Jahrzehnt Fortschritt auf dem Gebiet der simultanen Lokalisierung und Kartierung (SLAM). Die Karten werden erstellt, indem das autonome Fahrzeug auf jedem möglichen Straßensegment gefahren wird und mit den Sensoren Merkmale gesammelt werden. Die Karten werden für jede nachfolgende autonome Fahrt verwendet, um einen Pfad vom Start zum Ziel zu planen, den Pfad unter Vermeidung von Hindernissen auszuführen und die Fahrzeuge zu lokalisieren, während er den Pfad ausführt.
Die meisten selbstfahrenden Autofirmen testen ihre Flotten nur in Großstädten, in denen sie detaillierte 3D-Karten entwickelt haben, die genau mit den genauen Positionen von Fahrspuren, Bordsteinen und Stoppschildern beschriftet sind. Diese Karten enthalten Umgebungsmerkmale, die von den Sensoren des Fahrzeugs erkannt werden. Die Karten werden mit 3D-LIDAR-Systemen erstellt, die auf Licht angewiesen sind, um den lokalen Raum zu scannen, Millionen von Datenpunkten zu sammeln und die Merkmale zu extrahieren, die jeden Ort definieren.
Wenn wir wollen, dass selbstfahrende Autos eine tragfähige globale Technologie sind, ist diese Abhängigkeit von detaillierten Straßenkarten ein Problem. Die heutigen autonomen Fahrzeuge sind nicht in der Lage, in ländlichen Umgebungen zu fahren, in denen wir keine Karten haben — mit anderen Worten, auf den Millionen von Kilometern unbefestigter, unbeleuchteter oder unzuverlässig markierter Straßen. Am MIT CSAIL begannen wir mit der Entwicklung von MapLite als ersten Schritt, um selbstfahrenden Autos die Navigation auf Straßen zu ermöglichen, auf denen sie noch nie zuvor mit GPS und Sensoren gefahren sind. Unser System kombiniert GPS-Daten – wie Sie auf Google Maps zu finden sind – mit Daten von LIDAR-Sensoren. Zusammen ermöglichen uns diese beiden Elemente, ein Auto autonom auf mehreren unbefestigten Landstraßen zu fahren und die Straße mehr als 100 Fuß (30 Meter) im Voraus zuverlässig zu erkennen. Andere Forscher haben mit unterschiedlichem Erfolg an verschiedenen kartenlosen Ansätzen gearbeitet. Methoden, die Wahrnehmungssensoren wie LIDAR verwenden, müssen sich oft stark auf Straßenmarkierungen verlassen oder breite Verallgemeinerungen über die Geometrie von Straßenrandsteinen vornehmen. In der Zwischenzeit können Vision-basierte Ansätze unter idealen Bedingungen gut funktionieren, haben jedoch Probleme bei widrigem Wetter oder schlechter Beleuchtung. In Bezug auf „Level 5 Autonomie“ — das heißt, Autonomie überall und jederzeit — sind wir noch einige Jahre entfernt, und dies liegt sowohl an technischen als auch an regulatorischen Herausforderungen.
Autonome Fahrzeuge können viele verschiedene Formen annehmen, darunter Golfwagen, Rollstühle, Roller, Gepäck, Einkaufswagen, Mülltonnen und sogar Boote. Diese Technologien öffnen die Tür zu einer Vielzahl neuer Produkte und Anwendungen
Während auf technischer Seite erhebliche Fortschritte erzielt wurden, war es verständlicherweise ein komplexer und inkrementeller Prozess, die Politik aufzuholen. Die politischen Entscheidungsträger diskutieren immer noch darüber, auf welcher Ebene autonome Fahrzeuge reguliert werden sollten. Welche Arten von Fahrzeugen sollten auf der Straße zugelassen werden, und wer darf sie bedienen? Wie und von wem sollte die Sicherheit geprüft werden? Wie könnten unterschiedliche Haftungsregelungen die rechtzeitige und sichere Einführung autonomer Fahrzeuge beeinflussen, und was sind die Kompromisse? Welche Auswirkungen hat ein Flickenteppich staatlicher Gesetze und Vorschriften, und welche Kompromisse bestehen bei der Harmonisierung dieser Politiken? Inwieweit sollten politische Entscheidungsträger die Einführung autonomer Fahrzeuge fördern? Zum Beispiel durch intelligente Straßeninfrastruktur, dedizierte Autobahnspuren, Hersteller- oder Verbraucheranreize? Dies sind komplexe Fragen im Zusammenhang mit dem Einsatz autonomer Fahrzeuge auf öffentlichen Straßen. Gleichzeitig ist eine Form der Autonomie, die bereits jetzt implementiert werden kann, „Level 4-Autonomie“, definiert als Autonomie in einigen Umgebungen. Die Technologie ist hier für autonome Fahrzeuge, die bei schönem Wetter, auf privaten Wegen und bei niedrigeren Geschwindigkeiten fahren können.
Umgebungen wie Seniorengemeinschaften, Campus, Hotelimmobilien und Vergnügungsparks können alle von den Autonomietechnologien der Stufe 4 profitieren. Autonome Fahrzeuge können viele verschiedene Formen annehmen, darunter Golfwagen, Rollstühle, Roller, Gepäck, Einkaufswagen, Mülltonnen und sogar Boote. Diese Technologien öffnen die Tür zu einer Vielzahl neuer Produkte und Anwendungen, von Mobilität auf Abruf über autonomes Einkaufen und Transportieren von Gütern bis hin zu effizienterer Mobilität in Krankenhäusern. Jeder würde davon profitieren, dass der Transport zu einem weit verbreiteten Versorgungsunternehmen wird, Aber diese Vorteile werden sich insbesondere auf neue Fahrer, unsere ältere Bevölkerung und Menschen auswirken, die von Krankheit oder Behinderung betroffen sind.
Die Technologie, die Autonomie für Autos ermöglicht, kann sehr weitreichende gesellschaftliche Auswirkungen haben. Stellen Sie sich vor, die Bewohner einer Altersgemeinschaft werden sicher von automatisierten Golfwagen transportiert. In Zukunft können wir alles auf Rädern automatisieren — nicht nur die Staubsauger von heute, sondern auch Rasenmäher oder sogar Mülleimer.
Wenn wir wollen, dass selbstfahrende Autos eine tragfähige globale Technologie sind, ist diese Abhängigkeit von detaillierten Straßenkarten ein Problem. Die heutigen autonomen Fahrzeuge sind nicht in der Lage, in ländlichen Umgebungen zu fahren, in denen wir keine Karten haben
Die gleiche Technologie, die diesen Automatisierungsgrad ermöglicht, könnte sogar eingesetzt werden, um Menschen mit Behinderungen — wie Blinden — zu helfen, die Welt auf eine nie zuvor mögliche Weise zu erleben. Von Sehbehinderungen sind weltweit rund 285 Millionen Menschen betroffen, die von erhöhter Mobilität und Roboterunterstützung enorm profitieren könnten. Dies ist ein Teil der Bevölkerung, den die Technologie oft zurückgelassen oder ignoriert hat, aber in diesem Fall könnte die Technologie den Unterschied ausmachen. Tragbare Geräte, die die von selbstfahrenden Autos verwendeten Sensoren enthalten und Autonomiesoftware ausführen, könnten sehbehinderten Menschen ermöglichen, die Welt sicher und auf eine Weise zu erleben, die viel reicher ist als der Gehstock.
Robotik wird die Art und Weise, wie wir Menschen und Dinge transportieren, in naher Zukunft verändern. Aber bald darauf wird es mehr tun, als Dinge pünktlich zu liefern; Es wird uns auch ermöglichen, diese Dinge schnell und lokal zu produzieren.
Herausforderungen in der Robotik
Trotz der jüngsten und bedeutenden Fortschritte auf diesem Gebiet und der Versprechen für die Zukunft sind die heutigen Roboter in ihrer Fähigkeit, Dinge herauszufinden, immer noch recht begrenzt, ihre Kommunikation ist oft spröde und es dauert zu viel Zeit, um neue Roboter herzustellen. Eine breite Akzeptanz von Robotern erfordert eine natürliche Integration von Robotern in die menschliche Welt und nicht eine Integration von Menschen in die Maschinenwelt.
Argumentation
Roboter können aufgrund der Tatsache, dass ihre Berechnungen sorgfältig spezifiziert sind, nur begrenzte Überlegungen anstellen. Für die heutigen Roboter ist alles mit einfachen Anweisungen beschrieben und der Umfang des Roboters ist vollständig in seinem Programm enthalten. Aufgaben, die Menschen für selbstverständlich halten, zum Beispiel die Frage „War ich schon einmal hier?“ sind notorisch schwierig für Roboter. Roboter zeichnen die Merkmale der Orte auf, die sie besucht haben. Diese Merkmale werden aus Sensoren wie Kameras oder Laserscannern extrahiert. Für eine Maschine ist es schwierig, zwischen Merkmalen zu unterscheiden, die zu einer Szene gehören, die der Roboter bereits gesehen hat, und einer neuen Szene, die zufällig einige derselben Objekte enthält. Im Allgemeinen sind die von Sensoren und Aktoren gesammelten Daten zu groß und zu niedrig; Sie müssen aussagekräftigen Abstraktionen zugeordnet werden, damit Roboter die Informationen effektiv nutzen können. Die aktuelle Forschung zum maschinellen Lernen zu Big Data befasst sich mit der Komprimierung eines großen Datensatzes auf eine kleine Anzahl semantisch aussagekräftiger Datenpunkte. Zusammenfassung kann auch von Robotern verwendet werden. Zum Beispiel könnten Roboter ihre visuelle Geschichte zusammenfassen, um die Anzahl der Bilder erheblich zu reduzieren, die erforderlich sind, um festzustellen, ob „ich schon einmal hier war.“
Außerdem können Roboter unerwartete Situationen nicht bewältigen. Wenn ein Roboter auf einen Fall stößt, für den er nicht programmiert wurde oder der außerhalb seiner Fähigkeiten liegt, tritt er in einen Fehlerzustand und stoppt. Oft kann der Roboter die Fehlerursache nicht kommunizieren. Zum Beispiel sind Staubsaugerroboter so konzipiert und programmiert, dass sie sich auf dem Boden bewegen, aber keine Treppen steigen können.
Roboter müssen lernen, ihre Programme anzupassen und sich an ihre Umgebung und die Interaktionen mit Menschen, ihrer Umgebung und anderen Maschinen anzupassen. Heute hat jeder mit Internetzugang die Informationen der Welt zur Hand, auch Maschinen. Roboter könnten diese Informationen nutzen, um bessere Entscheidungen zu treffen. Roboter könnten auch ihre gesamte Historie (z. B. die Ausgabe ihrer Sensoren und Aktoren) und die Erfahrungen anderer Maschinen aufzeichnen und verwenden. Zum Beispiel könnte ein Roboter, der darauf trainiert ist, mit Ihrem Hund spazieren zu gehen, online auf den Wetterbericht zugreifen und dann basierend auf früheren Spaziergängen die beste Route bestimmen. Vielleicht ein kurzer Spaziergang, wenn es heiß ist oder regnet, oder ein langer Spaziergang zu einem nahe gelegenen Park, in dem sich derzeit andere Roboter-Hundewanderer befinden. All dies könnte ohne menschliche Interaktion oder Intervention bestimmt werden.
Kommunikation
Eine Welt, in der viele Roboter zusammenarbeiten, erfordert eine zuverlässige Kommunikation zur Koordination. Trotz der Fortschritte in der drahtlosen Kommunikation gibt es immer noch Hindernisse bei der Roboter-zu-Roboter-Kommunikation. Das Problem ist, dass die Modellierung und Vorhersage der Kommunikation notorisch schwierig ist und jede Robotersteuerungsmethode, die sich auf aktuelle Kommunikationsmodelle stützt, mit Rauschen behaftet ist. Die Roboter benötigen zuverlässigere Kommunikationsansätze, die die Bandbreite garantieren, die sie benötigen, wenn sie sie benötigen. Um eine widerstandsfähige Roboter-zu-Roboter-Kommunikation zu erhalten, besteht ein neues Paradigma darin, die Kommunikationsqualität lokal zu messen, anstatt sie mit Modellen vorherzusagen. Mit der Idee, die Kommunikation zu messen, können wir uns vorstellen, fliegende Roboter als mobile Basisstationen zu verwenden, die sich gegenseitig koordinieren, um eine Kommunikationsabdeckung auf Planetenebene zu gewährleisten. Schwärme fliegender Roboter könnten überall auf der Welt Internetzugang bringen.
Die Kommunikation zwischen Robotern und Menschen ist derzeit ebenfalls eingeschränkt. Während Sprachtechnologien eingesetzt wurden, um Robotern Befehle in menschlicher Sprache zu erteilen (z. B. „Zur Tür gehen“), sind Umfang und Wortschatz dieser Interaktionen gering. Roboter könnten die Hilfe von Menschen gebrauchen, wenn sie stecken bleiben. Es stellt sich heraus, dass selbst ein winziger menschlicher Eingriff in die Aufgabe eines Roboters das Problem vollständig verändert und die Maschinen in die Lage versetzt, mehr zu tun.
Wenn Roboter derzeit auf etwas Unerwartetes stoßen (ein Fall, für den es nicht programmiert wurde), bleiben sie stecken. Angenommen, anstatt nur stecken zu bleiben, konnte der Roboter darüber nachdenken, warum er feststeckt, und menschliche Hilfe in Anspruch nehmen. Jüngste Arbeiten zum Einsatz von Robotern bei der Montage von IKEA-Möbeln zeigen beispielsweise, dass Roboter erkennen können, wenn ein Tischbein unerreichbar ist, und Menschen auffordern, ihnen das Teil zu geben. Nach Erhalt des Teils nehmen die Roboter die Montageaufgabe wieder auf. Dies sind einige der ersten Schritte zur Schaffung symbiotischer Mensch-Roboter-Teams, in denen Roboter und Menschen sich gegenseitig um Hilfe bitten können.
Design und Fertigung
Eine weitere große Herausforderung bei den heutigen Robotern ist die lange Zeit, um neue Roboter zu entwerfen und herzustellen. Wir müssen die Entwicklung von Robotern beschleunigen. Viele verschiedene Arten von Robotern sind heute verfügbar, aber jeder dieser Roboter dauerte viele Jahre zu produzieren. Die Berechnungs—, Mobilitäts- und Manipulationsfähigkeiten von Robotern sind eng mit dem Körper des Roboters – seinem Hardwaresystem – verbunden. Da die heutigen Roboterkörper fest und schwer auszufahren sind, sind die Fähigkeiten jedes Roboters durch seinen Körper begrenzt. Die Herstellung neuer Roboter — Add-On-Robotermodule, Vorrichtungen oder Spezialwerkzeuge zur Erweiterung der Fähigkeiten — ist keine echte Option, da der Prozess von Design, Fertigung, Montage und Programmierung langwierig und umständlich ist. Wir brauchen Werkzeuge, die das Design und die Herstellung von Robotern beschleunigen. Stellen Sie sich vor, Sie erstellen einen Roboter-Compiler, der die funktionale Spezifikation des Roboters (z. B. „Ich möchte, dass ein Roboter mit mir Schach spielt“) als Eingabe verwendet und ein Design berechnet, das der Spezifikation entspricht, einen Fertigungsplan und eine benutzerdefinierte Programmierumgebung für die Verwendung des Roboters. Viele große und kleine Aufgaben könnten durch schnelles Design und Herstellung vieler verschiedener Arten von Robotern mit einem solchen Roboter-Compiler automatisiert werden.
Auf dem Weg zur pervasiven Robotik
Es gibt erhebliche Lücken zwischen dem heutigen Stand der Roboter und dem Versprechen einer pervasiven Integration von Robotern in den Alltag. Einige der Lücken betreffen die Schaffung von Robotern — wie entwerfen und fertigen wir neue Roboter schnell und effizient? Andere Lücken betreffen die Berechnung und die Fähigkeit von Robotern, für immer komplexere Aufgaben in immer komplexeren Umgebungen zu denken, sich zu verändern und anzupassen. Andere Lücken betreffen Interaktionen zwischen Robotern und zwischen Robotern und Menschen. Aktuelle Forschungsrichtungen in der Robotik gehen in jede dieser Richtungen, um bessere Lösungen für die Herstellung von Robotern zu finden, die Bewegung von Robotern und ihre Manipulationsfähigkeiten zu steuern, die Fähigkeit von Robotern zur Vernunft zu erhöhen, die Wahrnehmung auf semantischer Ebene durch maschinelles Sehen zu ermöglichen und eine flexiblere Koordination und Zusammenarbeit zwischen Maschinen sowie zwischen Maschinen und Menschen zu entwickeln. Die Bewältigung dieser Herausforderungen wird Roboter der Vision der Pervasive Robotics näher bringen: die vernetzte Welt vieler Menschen und vieler Roboter, die viele verschiedene Aufgaben ausführen.
Pervasive, maßgeschneiderte Robotik ist eine große Herausforderung, aber ihr Umfang ist der Herausforderung des Pervasive Computing nicht unähnlich, die vor etwa fünfundzwanzig Jahren formuliert wurde. Heute können wir sagen, dass Computing in der Tat allgegenwärtig ist, zu einem Dienstprogramm geworden ist und überall und jederzeit verfügbar ist. Also, was würde es brauchen, um eine allgegenwärtige Integration von Robotern in den Alltag zu haben? Mark Weiser, Chefwissenschaftler bei Xerox PARC und weithin als Vater des Ubiquitous Computing bezeichnet, sagte über Pervasive Computing: „Die tiefgreifendsten Technologien sind diejenigen, die verschwinden. Sie weben sich in den Stoff des Alltags ein, bis sie nicht mehr von ihm zu unterscheiden sind.“
Zum Beispiel war Elektrizität einst eine neuartige Technologie und jetzt ist sie ein Teil des Lebens. Robotertechnologien haben das Potenzial, den Personal Computer und die Elektrizität als allgegenwärtige Aspekte des täglichen Lebens zu verbinden. In naher Zukunft werden Robotertechnologien unser Denken über viele Aspekte des Alltags verändern.
Es gibt erhebliche Lücken zwischen dem heutigen Stand der Roboter und dem Versprechen einer allgegenwärtigen Integration von Robotern in den Alltag. Diese Lücken betreffen die Schaffung von Robotern, ihre Berechnung und Fähigkeit, für immer komplexere Aufgaben in immer komplexeren Umgebungen zu denken, sich zu verändern und anzupassen, und ihre Fähigkeit, mit Menschen zu interagieren
Selbstfahrende Autoflotten haben das Potenzial, den Transport zu einem Dienstprogramm zu machen, mit maßgeschneiderten Fahrten, die überall und jederzeit verfügbar sind. Der öffentliche Verkehr könnte ein Zweischichtsystem werden: ein Netzwerk großer Fahrzeuge (z. B. Züge, Busse), das den Rückgrattransport für viele Menschen über große Entfernungen ermöglicht, und Flotten von Transportkapseln, die die individuellen Transportbedürfnisse von Einzelpersonen für kurze Strecken erfüllen. Ein solches Verkehrsnetz wäre mit der IT-Infrastruktur und den Menschen verbunden, um Mobilität auf Abruf bereitzustellen. Der Betrieb des Backbones könnte dynamisch wechselnde Routen umfassen, um sich an die Bedürfnisse der Menschen anzupassen. Echtzeit- und historische Transportdaten werden bereits verwendet, um die optimalsten Buslinien und die Position der Haltestellen mit feiner Granularität zu bestimmen. Mobility on Demand kann durch modernste Technologien für selbstfahrende Fahrzeuge erleichtert werden. Die Fahrt mit einem fahrerlosen Auto könnte so einfach sein wie die Verwendung eines Smartphones. Die Roboterkapseln würden wissen, wann Leute an einer Station ankommen, wo die Leute sind, die jetzt eine Fahrt brauchen, und wo die anderen Roboterkapseln sind. Nachdem die Menschen zu ihrem Ziel gefahren waren, fuhren die Roboterkapseln selbst zum nächsten Kunden, wobei sie Nachfrageabgleichs- und Koordinierungsalgorithmen verwendeten, um den Betrieb der Flotte zu optimieren und die Wartezeit der Menschen zu minimieren. Öffentliche Verkehrsmittel wären bequem und individuell.