Ganzkörperkontrolle: wie Humanoide Beine und Arme koordinieren

Stehen Sie auf und greifen Sie nach etwas auf einem hohen Regal. Achten Sie darauf, was Ihre Beine tun, während sich Ihr Arm noch bewegt. Ihre Fußgelenke spannen sich an, Ihre Hüften gleiten ein paar Zentimeter zurück, Ihr Gewicht rollt auf die Fußballen. Sie haben nichts davon entschieden. Ihr Körper hat ein physikalisches Problem gelöst, damit Sie in dem Moment, in dem Ihre Finger sich um den Gegenstand schließen, nicht bereits darauf zufallen.

Ein Roboterarm, der an einer Werkbank festgeschraubt ist, hat dieses Problem nie. Seine Basis ist ein fester Punkt im Universum. Drücken Sie dagegen, bewegt er sich nicht; greifen Sie damit nach etwas, kippt nichts um. Deshalb setzt das meiste von dem, was wir Roboter-Manipulation nennen, und der Großteil der Daten dahinter, stillschweigend eine Basis voraus, die sich nicht bewegen kann.

Ein Humanoid wirft diese Annahme über Bord. Er muss sich auf zwei Füßen aufrecht halten, während er genau das tut, was sein Gleichgewicht bedroht. Diese Kopplung, zwischen dem Stehenbleiben und dem Erledigen der Arbeit, ist der Grund, warum Ganzkörperkontrolle eines der schwierigeren Probleme des Feldes ist, und der Grund, warum die Daten, um sie zu erlernen, knapp sind.

Die Kopplung, der niemand entgehen kann

Der Fachbegriff für diese Schwierigkeit lautet, dass ein Roboter mit Beinen unteraktuiert ist. Zwischen seinen Füßen und dem Boden befindet sich kein Motor. Die einzige Möglichkeit, seinen Schwerpunkt zu verschieben, ist indirekt, über den Kontakt: die Reibungs- und Normalkräfte dort, wo jeder Fuß den Boden berührt. Jede Armbewegung verändert das Bild. Schwingen Sie ein schweres Werkzeug zur Seite, driftet Ihr Schwerpunkt darauf zu. Strecken Sie beide Arme aus, um eine fallende Kiste aufzufangen, drückt die Reaktionskraft Ihren Oberkörper nach hinten. Bei einem fest montierten Arm verschwinden diese Effekte in den Schrauben des Tisches. Bei einem Humanoiden landen sie auf zwei kleinen Kontaktflächen, die zugleich die Maschine im Stehen halten müssen.

Ein Griff nach etwas ist also nie nur ein Griff. Er ist eine Aufforderung, Masse zu bewegen, und die Beine müssen darauf antworten, bevor die Hand ankommt. Hersteller haben die Balance-Hälfte fast beiläufig aussehen lassen. Boston Dynamics hat gezeigt, wie Atlas rennt, springt und sich nach einem Stoß selbst wieder auffängt, und Digit von Agility läuft stundenlang über Lagerhallenböden und trägt Transportkisten. Offen ist die Frage, was passiert, wenn derselbe Körper gleichzeitig die Balance halten und eine feine, kraftvolle Manipulation ausführen muss, wobei die beiden Ziele aktiv gegeneinander arbeiten.

Bei einem Humanoiden ist ein Griff kein Griff. Er ist eine Aufforderung, Masse durch den Körper zu bewegen, und die Beine müssen sie gewähren, bevor die Hand ankommt.

Lösung über das Modell

Die klassische Antwort besteht darin, die Physik niederzuschreiben und einen Optimierer sie einhalten zu lassen. Ganzkörperkontrolle behandelt den Roboter als ein einziges gekoppeltes System aus Dutzenden Gelenken und löst dann, viele Male pro Sekunde, nach den Gelenkmomenten, die am besten dem folgen, was die Arme wollen, während sie berücksichtigen, was die Beine brauchen. Die Nebenbedingungen sind hart, im wörtlichen Sinn: Die Füße dürfen nicht rutschen, die Kontaktkräfte müssen innerhalb des Reibungskegels bleiben, der projizierte Schwerpunkt muss über der Stützfläche liegen.

Modellprädiktive Regelung, oder MPC, fügt die Zeit hinzu. Statt nur für diesen einen Augenblick zu lösen, rollt sie die Dynamik über einen kurzen Horizont von einem Bruchteil einer Sekunde nach vorne aus und wählt die Handlungssequenz, die den Roboter über die gesamte Zeitspanne hinweg machbar hält, um dann beim nächsten Zeittakt neu zu lösen. So kann sich eine Maschine in einen Stoß hineinlehnen, bevor sie umkippt, weil sie den Sturz einige hundert Millisekunden im Voraus kommen sah. Die Stärke dieses Ansatzes liegt darin, dass ihm das Konzept des Gleichgewichts nie beigebracht werden muss. Gleichgewicht ist eine Nebenbedingung, der er schon konstruktionsbedingt gehorcht. Die Schwäche liegt darin, dass er ein gutes Modell des Kontakts braucht, und Kontakt ist genau der Punkt, an dem Modelle am schlechtesten sind: In dem Moment, in dem ein Fuß rutscht oder eine Hand an einer klemmenden Schublade hängen bleibt, hören die sauberen Gleichungen auf, die Realität zu beschreiben.

Lösung über das Lernen

Die neuere Antwort besteht darin, das handgeschriebene Modell zu überspringen und es stattdessen einer Policy zu überlassen, die Koordination aus Erfahrung zu entdecken, meist anhand von Millionen Stürzen in einem Physiksimulator. Reinforcement Learning in Simulation produziert heute routinemäßig Regler, die laufen, sich wieder aufrichten und klettern, und dasselbe Rezept wird in Richtung Loco-Manipulation vorangetrieben: Policies, die Basis und Hände als eine einzige Handlung bewegen, statt Gehen und Greifen als getrennte Modi zu behandeln, die zwischen zwei Reglern übergeben werden.

Interessant wird es bei der Verschmelzung mit Foundation Models. Das Isaac GR00T-Programm von NVIDIA zielt genau darauf ab: eine allgemeine Humanoid-Policy, trainiert auf menschlichem Video, Teleoperation und Simulation, die eine Ganzkörper-Handlung ausgibt statt nur armbezogener Trajektorien. Eine gelernte Policy hat den entgegengesetzten Trade-off zum Optimierer. Sie bewältigt unordentlichen Kontakt mühelos, weil sie im Training einer Million unordentlicher Kontakte begegnet ist, aber sie bietet keine Garantie: Sie tut, was ihre Daten ihr beigebracht haben, und außerhalb dieser Verteilung kann sie einfach umfallen. Was das Argument zurück zu den Daten führt.

Warum die Daten der Engpass sind

Betrachten Sie, was eine Demonstration für jeden dieser Ansätze enthalten muss. Ein Clip zur Manipulation mit fest montiertem Arm braucht die Gelenktrajektorie des Arms und eine Kamera; die Basis ist eine Konstante, die man ignorieren kann. Eine Ganzkörper-Demonstration muss die Beine, den Oberkörper, die sich verschiebenden Kontakte unter den Füßen und die Kräfte, die durch die gesamte kinematische Kette fließen, erfassen, alles synchronisiert, denn die Beinbewegung ist nicht der Kontext um die Aufgabe herum. Sie ist Teil der Aufgabe.

Das ist der Grund, warum die großen offenen Manipulations-Korpora, jene, die Cross-Embodiment-Lernen erst möglich gemacht haben, überwältigend auf fester Basis beruhen. Armdemonstrationen laborübergreifend zu bündeln, war bereits eine heldenhafte Anstrengung. Synchronisierte, kontaktreiche Ganzkörper-Demonstrationen von Humanoiden zu bündeln, ist ein schwierigeres Problem, dem sich das Feld gerade erst zu stellen beginnt. Der Zustandsraum ist größer, das Erfassungs-Rig ist schwerer, und die Person, die es trägt, muss zusätzlich ihr eigenes Gleichgewicht halten, während sie die Aufgabe natürlich ausführt. Übersichtsarbeiten zur aktuellen Robotik-Literatur und Berichte in Medien wie IEEE Spectrum kreisen immer wieder um dieselbe Lücke: Die Hardware zum Handeln trifft schneller ein als die Demonstrationen, um sie zu trainieren.

Ganzkörperkontrolle ist nicht Manipulation mit ein paar zusätzlichen Gelenken. Es ist ein anderes Problem, denn das, was gesteuert wird, ist auch das, was sich selbst aufrecht hält, und die beiden lassen sich nicht voneinander trennen. Ob die Antwort am Ende ein Optimierer ist, der die Physik einhält, eine Policy, die die Physik gelernt hat, oder die nahezu sichere Mischung aus beidem, all das ruht auf demselben Fundament: Jemand muss aufzeichnen, was ein ganzer menschlicher Körper tatsächlich tut, wenn er an eine Aufgabe herantritt und sie erledigt. Diese Aufzeichnung ist der knappe Teil, und sie existiert noch nicht in dem Maßstab, den die Roboter brauchen werden.