Die taktilen Sensoren, die Roboterhänden einen Tastsinn geben

Eine Kamera kann tausend Roboter beobachten und nutzt sich dabei nie ab. Ein taktiler Sensor bekommt eine einzige Hand zugeteilt, spürt jedes Objekt, das diese Hand je greift, und stirbt langsam am Kontakt. Löst man die Fingerspitze eines Forschungsroboters nach ein paar Wochen im Greifen und Ablegen ab, findet man oft ein verschrammtes Gel, eine eingerissene Membran oder eine Elektrode, die still aus der Kalibrierung gedriftet ist. Diese Asymmetrie, billige unsterbliche Augen gegen fragile sterbliche Haut, ist der Grund, warum Tastsinn bei Robotern noch vor der Datenfrage ein Hardwareproblem ist.

Die Bildgebung ist bei einem einzigen Gerät konvergiert. Fast jede Kamera auf der Erde verwandelt Licht auf dieselbe Weise in ein Gitter aus Zahlen, und je zwei von ihnen sprechen ein Format namens Bild. Der Tastsinn hatte diesen Moment nie. Fragt man fünf Labore, wie ihr Roboter ein Schraubengewinde spürt, erhält man fünf physikalisch unterschiedliche Antworten: eine Folie, die ihren Widerstand ändert, einen Chip, der eine zusammengedrückte Lufttasche misst, ein von innen fotografiertes Gel. Keine dieser Lösungen dominiert, und die Unterschiede reichen bis tief in die Physik hinein.

Kontakt ist keine einzelne Größe. Drückt man eine Fingerspitze auf einen Tisch, wirkt eine Normalkraft, die geradewegs hineindrückt, eine Scherkraft, die seitlich zieht, das winzige Rutschen, das einem Fallenlassen vorausgeht, eine hochfrequente Vibration, die sich als Textur liest, und manchmal Wärme, die über die Kontaktgrenze fließt. Jede taktile Technologie ist eine Wette darauf, welche dieser Größen sauber erfasst und welche aufgegeben wird. Im Folgenden geht es darum, was die wichtigsten Familien messen, was sie kosten, und warum keine von ihnen einen großen gemeinsamen Datensatz hervorgebracht hat, wie es Kameras gelungen ist.

Einen Druck in eine Zahl verwandeln

Die meisten Roboterhäute sind elektrischer Natur. Sie kacheln eine Oberfläche mit Taxeln, taktilen Pixeln, und lesen eine Eigenschaft aus, die sich ändert, wenn die Oberfläche gedrückt wird.

Resistive und piezoresistive Häute sind die Arbeitspferde. Ein gedrücktes Material leitet unterschiedlich, und ein Gitter solcher Übergänge liefert für sehr wenig Geld eine grobe Druckkarte. Sie lassen sich dünn ausführen, schmiegen sich um gekrümmte Finger und skalieren günstig auf große Flächen. Der Preis dafür ist die Signalqualität: Sie driften, zeigen Hysterese (der Messwert beim Loslassen stimmt nicht mit dem beim Drücken überein), und sie tun sich schwer damit, Scherkraft von Normallast zu unterscheiden.

Kapazitive Arrays messen den Abstand zwischen zwei leitfähigen Schichten durch ein weiches Dielektrikum hindurch. Wird das Dielektrikum zusammengedrückt, steigt die Kapazität. Das ist dieselbe Technologie, die unter einem Handy-Display steckt, verkleinert und versteift für Fingerspitzen, empfindlich und stromsparend. Packt man die Taxel für mehr Auflösung enger zusammen, beginnen benachbarte Zellen zu übersprechen, und die Zahl der Leitungen steigt rasch, ein Grund, warum dichte kapazitive Häute sich nur schwer über eine ganze Hand ziehen lassen.

Barometrische und MEMS-Bauformen verbergen einen massenproduzierten Drucksensor-Chip unter einer Gummikuppel. Kraft komprimiert die eingeschlossene Flüssigkeit oder Luft, der Barometer-Chip liest sie aus, und man erbt die Robustheit und die niedrigen Kosten eines Bauteils, das milliardenfach für Telefone und Autos gefertigt wird. Allerdings ist ein Chip ein Taxel, weshalb die räumliche Auflösung grob bleibt, sofern man die Hand nicht mit Chips und der dazugehörigen Verkabelung flutet.

Piezoelektrische und magnetische Ansätze füllen die Lücken. Piezoelektrische Folien erzeugen Ladung aus sich änderndem Druck, was sie hervorragend für die schnellen Dinge macht, Vibration, einsetzendes Rutschen, Textur, und unbrauchbar dafür, ein konstantes Gewicht zu halten, weil eine konstante Kraft keine sich ändernde Ladung erzeugt. Magnetische Häute wie ReSkin suspendieren magnetische Partikel in einem weichen Elastomer über Hall-Sensoren und lesen Scherkraft und Normalkraft aus der Art, wie sich das Feld verschiebt; das Elastomer ist ein billiges Verbrauchsmaterial, das man ablöst und ersetzt, wenn es sich abnutzt.

Eine Kamera, gerichtet auf ein Gel

Die andere große Familie dreht das ganze Problem um. Statt eine Oberfläche zu verkabeln, legt man ein weiches, durchsichtiges Gel über eine kleine Kamera, beleuchtet es von innen und filmt, wie sich das Gel verformt, während es auf die Welt drückt. GelSight hat diesen Weg als Erster beschritten, DIGIT hat daraus eine kompakte, kostengünstige Open-Version gemacht, TacTip verfolgt ein Netz interner Stifte, und die weichen Bubble-Greifer des Toyota Research Institute haben dieselbe Idee über eine aufgeblasene Membran gespannt. Die Ausgabe besteht nicht aus ein paar Zahlen. Es ist ein dichtes taktiles Bild.

Dieses Bild ist das Verkaufsargument. Ein fotografiertes Gel kann Oberflächentextur feiner auflösen als eine menschliche Fingerspitze, die dreidimensionale Form dessen rekonstruieren, was darauf drückt, und Scherkraft zurückgewinnen, indem es beobachtet, wie aufgedruckte Marker gleiten. Zudem standardisiert es auf den einen Sensor, den das Feld bereits massenhaft herzustellen und auszulesen weiß: eine Kamera. Die Kosten sind physischer Natur. Das Gel ist sperrig, braucht einige Millimeter Abstand und einen optischen Pfad, reißt und trübt sich mit der Nutzung, und jedes Bild ist ein vollständiges Bild, sodass Bandbreite und Rechenleistung im Vergleich zu einer dünnen resistiven Folie schwer ins Gewicht fallen. Man tauscht ein Verkabelungsproblem gegen ein Problem aus Optik und Verschleiß.

Was jede Familie fühlen kann und was nicht

Keine einzelne Technologie gewinnt. Jede Familie ist bei einem Teil des Kontaktsignals stark und beim Rest blind, weshalb ernsthafte Hände oft mehr als eine tragen.

Liest man die Spalte der Kompromisse von oben nach unten, zeigt sich ein Muster. Die billigen, kachelbaren, langlebigen Optionen sind grob. Die reichhaltigen, hochauflösenden Optionen sind sperrig, zerbrechlich oder datenintensiv. Es gibt kein Äquivalent zur „gut genug“-Webcam, die zugleich billig, standardisiert und detailliert ist.

Warum das Korpus nie zustande kommt

Hier wird Hardware zu einer Datengeschichte. Die Bildgebung skalierte, weil eine Kamera extern, austauschbar und nicht-verbrauchend ist: Man schraubt dieselbe Webcam auf tausend Roboter, und jeder Clip landet in einem gemeinsamen Format. Der Tastsinn bricht alle drei Eigenschaften auf einmal.

Eine Kamera überlebt die Daten, die sie aufzeichnet. Ein taktiler Sensor dagegen wird von ihnen verbraucht. Diese eine Tatsache, mehr als jede Modellierungslücke, ist der Grund, warum es kein ImageNet für den Tastsinn gibt.

Der Sensor muss in der Hand leben, weshalb man Daten nicht über Roboter hinweg zusammenführen kann, ohne auch deren Finger zu standardisieren. Die Kalibrierung erfolgt pro Exemplar und driftet, sodass ein Rohwert in Sensorzählungen für das nächste Labor bedeutungslos ist, solange er nicht auf Newton abgebildet wird. Am schlimmsten: Das Instrument wird durch den Messvorgang selbst zerstört. Das Gel, das sich trübt, das Elastomer, das sich abnutzt, die Elektrode, die ermüdet, sie alle ändern ihre Reaktion mitten in einem Erfassungslauf. Ein visueller Datensatz lässt sich nächstes Jahr aus demselben Filmmaterial erneut erfassen. Eine taktile Aufzeichnung ist an einen bestimmten, abgenutzten Sensor an einem bestimmten Tag gebunden, und es gibt über zwei Labore hinweg noch immer kein gemeinsames Schema dafür, was ein Tastmesswert überhaupt ist.

Das Feld verfügt also über ein gewaltiges visuelles Korpus, ein wachsendes Korpus aus Bild plus Propriozeption in Projekten wie Open X-Embodiment, und praktisch über keinen großen Datensatz für taktile Manipulation. Die Fragmentierung der Hardware ist keine Fußnote zu dieser Knappheit. Sie ist deren Ursache.

Mit der Fragmentierung leben

Die vielversprechendste Antwort besteht darin, den Tastsinn wie die Bildgebung aussehen zu lassen. Optische Sensoren wie DIGIT setzen auf offene, reproduzierbare Hardware, damit zumindest zwei Labore ein Format teilen, ein taktiles Bild, auch wenn ihre Gele unterschiedlich verschleißen. Offene Toolkits wie Hugging Faces LeRobot geben taktilen Datenströmen einen standardisierten Platz neben Video und Aktionen. Gruppen, die an Fingerfertigkeit arbeiten, von Physical Intelligence bis zum Toyota Research Institute, behandeln Kontakt als vollwertigen Kanal statt als nachträgliche Ergänzung, und ingenieursnahe Berichterstattung in Medien wie IEEE Spectrum verfolgt einen stetigen Strom neuer Häute aus der Robotik-Literatur. Nichts davon hat bislang den ImageNet-Moment des Tastsinns hervorgebracht.

Gibt man einem Roboter eine Kamera, erbt er ein Jahrhundert Bildgebung und einen ganzen Planeten voller Pixel. Gibt man ihm einen Tastsinn, entscheidet man immer noch, welcher Physik man vertraut, verkabelt sie von Hand in einen Finger und sieht zu, wie sie sich bei der Arbeit abnutzt. Die Algorithmen sind bereit zu fühlen. Die Instrumente, und die gemeinsame Aufzeichnung, die sie schreiben würden, sind der Teil, der noch immer eine Hand nach der anderen gebaut werden muss.