Harvard-Seminar untersucht, wie KI komplexe Bewegungen erlernt

Forscher nutzen Simulationen des Bewegungsapparats und maschinelles Lernen, um KI-Agenten zu entwickeln, die komplexe körperliche Bewegungen nachbilden können. Das geht aus einem Seminar des Kempner Institute hervor. Der EPFL-Professor Alexander Mathis präsentierte Fortschritte aus einem Jahrzehnt Forschung, darunter auch Verbindungen zum menschlichen motorischen Lernen.
- Alexander Mathis stellte bei einem Kempner-Seminar ein Jahrzehnt der Forschung zu KI für den Bewegungsapparat vor.
- Jährliche Wettbewerbe testen seit 2017 KI-Steuerungen bei simulierten körperlichen Aufgaben.
- Forscher trainieren die Agenten mit Imitationslernen und bestärkendem Lernen.
- Leistungseinbrüche könnten die Phasen des menschlichen motorischen Lernens widerspiegeln.
- Mögliche Anwendungen sind Prothesen, Rehabilitation und assistive Technologien.
KI für die Steuerung von Muskeln und Gelenken trainieren
Mathis, außerordentlicher Professor am Brain Mind Institute der EPFL, sprach über die Herausforderung, eine KI zu entwickeln, die Bewegungen wie das Zurückspielen eines Tischtennisaufschlags oder das Erzielen eines Tores im Fußball nachbilden kann. Für diese Aufgaben ist eine präzise Koordination vieler Gelenke und Muskeln erforderlich, weshalb sie für herkömmliche KI-Systeme schwierig auszuführen sind.
Im vergangenen Jahrzehnt haben Forscher zunehmend anspruchsvolle Simulationen des Bewegungsapparats eingesetzt, um zu untersuchen, wie KI-Agenten dynamische physische Umgebungen navigieren und mit ihnen interagieren. Mathis stellte diese Arbeit kürzlich in einem Vortrag der Kempner Seminar Series mit dem Titel The Neuroscience of Skill: Lessons from a Decade of Musculoskeletal AI vor.
Wettbewerbe testen simulierte körperliche Fähigkeiten
Mathis zeichnete die Entwicklung dieser Agenten anhand jährlicher Wettbewerbe nach, die seit 2017 jedes Jahr im Rahmen der Conference on Neural Information Processing Systems stattfinden. Bei den Wettbewerben sollen Forscher KI-Steuerungen für physiologisch realistische Modelle des Bewegungsapparats entwickeln.
Zu den simulierten Herausforderungen gehören das Verwandeln eines Elfmeters und das Manipulieren von Baoding-Kugeln. Der Erfolg hängt davon ab, mehrere Teile eines simulierten Körpers gleichzeitig zu koordinieren, statt lediglich eine Antwort auszuwählen oder ein Bild zu erkennen.
Für das Training der Agenten nutzen Forscher zwei sich ergänzende Methoden des maschinellen Lernens. Beim Imitationslernen lernt ein Agent, eine erfolgreiche Bewegung nachzuahmen. Beim bestärkenden Lernen verfolgt er ein Ziel durch Versuch und Irrtum.
Leistungseinbrüche könnten menschlichem Lernen ähneln
Mit der Verbesserung der Modelle sank ihre Leistung mitunter zunächst, bevor sie einen höheren Höchstwert erreichte. Mathis bringt dieses Muster mit einer 1967 von den amerikanischen Psychologen Paul Fitts und Michael Posner vorgeschlagenen Theorie des motorischen Lernens in Verbindung.
Die Theorie beschreibt drei Phasen der Kompetenzentwicklung. In der kognitiven Phase denkt ein Lernender bewusst über die für eine Aufgabe erforderlichen Schritte nach. In der assoziativen Phase wird dieses Wissen in die Ausführung der Bewegung übertragen. In der autonomen Phase kann die Fertigkeit mit minimaler bewusster Kontrolle angewendet werden.
Mathis zufolge könnten die vorübergehenden Leistungseinbußen der KI der Art ähneln, wie Menschen ihre Technik verbessern. Indem sie Bewegungen in bewusste Schritte zerlegen, kehren Lernende möglicherweise vorübergehend in die kognitive Phase zurück, bevor sie eine bessere Leistung entwickeln.
Die Forschung könnte die Entwicklung geschickterer und agilerer Roboter unterstützen und zugleich Einblicke darin geben, wie Menschen motorische Fähigkeiten erwerben. Nach Angaben des Kempner Institute zählen Prothesen, Rehabilitation und assistive Technologien zu den möglichen Anwendungsbereichen.
Kempner Institute (Harvard): AI on the Move


