RoboTTT

Roboter werden heute meist mit riesigen Datenmengen eingelernt. Sie sehen tausende Aufnahmen von Greifbewegungen und speichern daraus Regeln ab. Im Einsatz wenden sie dieses gespeicherte Wissen dann nur noch an. RoboTTT geht einen Schritt weiter: Das Programm verändert sich auch noch in der Sekunde, in der die Aufgabe ansteht. Es nutzt dafür die Bilder und Messwerte aus genau dieser Situation, etwa das Licht in der Küche oder die Form des Glases auf dem Tisch. Der Name kommt aus dem Englischen und steht für Robotik plus Test-Time Training, also Lernen zur Einsatzzeit. Die Abkürzung wird vor allem in Forschungsarbeiten und Produktankündigungen verwendet, eine einheitliche Norm dahinter gibt es nicht.

Warum Roboter an fremden Küchen scheitern

Roboter sind erstaunlich gut in der Umgebung, in der sie geübt haben. Sobald sich etwas ändert, bricht die Leistung oft ein. Ein anderer Bodenbelag, eine ungewohnte Tassenform, schräg einfallendes Sonnenlicht: All das kann einen Griff misslingen lassen. Fachleute nennen dieses Problem Verteilungsverschiebung, weil die echte Umgebung anders aussieht als die Trainingsdaten.

Die klassische Antwort darauf lautet: noch mehr Trainingsdaten sammeln. Das ist teuer und hat eine natürliche Grenze. Man kann nicht jede Küche der Welt vorher aufnehmen. RoboTTT dreht die Logik um. Statt alle Situationen vorher abzudecken, lässt man den Roboter sich vor Ort anpassen.

Wirtschaftlich ist das ein großes Versprechen. Ein Haushaltsroboter, der nur in einer Musterwohnung funktioniert, ist unverkäuflich. Ein Roboter, der sich in zwei Minuten an eine neue Wohnung gewöhnt, ist ein Produkt. Deshalb taucht das Thema in Finanznachrichten meist im Zusammenhang mit Finanzierungsrunden von Robotikfirmen auf.

Anpassung in Sekunden statt Wochen

Der Roboter startet mit einem fertig gelernten Grundmodell. Dieses Modell ist eine Art Regelwerk mit Millionen von Stellschrauben, den sogenannten Parametern. Beim RoboTTT werden einige wenige dieser Stellschrauben vor Ort nachjustiert. Die große Mehrheit bleibt unverändert, sonst würde der Roboter sein Grundwissen verlernen.

Die Daten für diese Nachjustierung liefert der Roboter selbst. Er beobachtet die Szene aus mehreren Blickwinkeln, macht kleine Probebewegungen und prüft, ob seine Vorhersage stimmte. Sagt das Modell voraus, dass die Hand die Tasse berührt, und der Drucksensor meldet nichts, war die Vorhersage falsch. Aus dieser Abweichung lässt sich ohne menschliches Zutun ein Korrektursignal ableiten. Fachleute sprechen von selbstüberwachtem Lernen, weil kein Mensch die richtige Antwort vorgibt.

Der Preis dafür ist Rechenzeit im Einsatz. Ein Roboter, der sich anpasst, muss rechnen, bevor er handelt. Je nach System dauert das Bruchteile von Sekunden bis zu einigen Minuten. Ein zweites Risiko ist das Abdriften: Passt sich das Modell zu stark an einen Ausreißer an, wird es schlechter statt besser. Deshalb begrenzen Entwickler bewusst, wie weit sich die Parameter entfernen dürfen.

Von Lagerhallen bis zu Demo-Videos

Am sichtbarsten ist die Technik in Videos von Robotikfirmen. Dort wird oft gezeigt, wie ein Arm einen Gegenstand greift, den er nie zuvor gesehen hat. Wenn dabei von Anpassung zur Laufzeit oder Test-Time Training die Rede ist, steckt die hier beschriebene Idee dahinter. Ein gesunder Zweifel ist angebracht: Solche Videos zeigen selten die Fehlversuche.

Praktisch eingesetzt wird das Prinzip heute vor allem in Lagern und Fabriken. Dort wechseln Verpackungen und Produkte ständig, die Umgebung bleibt aber grundsätzlich ähnlich. Auch Ernteroboter nutzen ähnliche Verfahren, weil jede Frucht anders hängt.

Verwechseln sollte man RoboTTT nicht mit einer Fernwartung, bei der Menschen Software aktualisieren. Hier passiert die Anpassung automatisch und lokal auf dem Gerät. Ein häufiger Irrtum ist außerdem die Annahme, der Roboter lerne dauerhaft dazu. Meist werden die Änderungen nach der Aufgabe wieder verworfen, damit das Grundmodell stabil bleibt.