Diese Vorlesung legt dar, wie Fortschritte in der Künstlichen Intelligenz (KI) die Entwicklung und den Einsatz moderner Roboter beeinflussen, welche Aufgaben Roboter künftig übernehmen können, wo die zentralen technischen und gesellschaftlichen Herausforderungen liegen und wie Robotik unseren Alltag verändern kann. Aussagen basieren auf den in der Quellenliste aufgeführten, belegbaren Veröffentlichungen; Unsicherheiten und Datenlücken werden jeweils kenntlich gemacht.
Dauer: ca. 20 Minuten
Robotik verbindet Mechanik, Sensorik, Steuerung und zunehmend KI-gestützte Software. Eine hilfreiche Analogie ist die eines Menschen: Motoren und Gelenke entsprechen Muskeln und Knochen, Sensoren entsprechen Augen, Ohren und Haut, Steuerung und Planung entsprechen dem Gehirn. KI fügt dem „Gehirn“ neue Fähigkeiten hinzu: flexiblere Wahrnehmung, adaptives Planen und Lernen aus Erfahrung. Das Springer Handbook of Robotics stellt diese Grundkomponenten und ihre Verknüpfung systematisch dar und bleibt ein zentraler technischer Referenzrahmen (Siciliano & Khatib, Hrsg.).
An konkreten Beispielen erkennt man die Wirkung von KI: In industriellen Logistikzentren bewegen sich heute automatisierte Fahrzeuge und Greifarme deutlich flexibler als frühe Industrieroboter; sie nutzen Kameras und lernende Algorithmen, um Objekte zu erkennen und Griffe anzupassen. Firmen wie Amazon haben die Logistik durch automatisierte Förder- und Greifsysteme verändert; Informationen zu diesem Anwendungsfeld und technischen Ansätzen finden sich auf den Seiten von Amazon Robotics.
Im medizinischen Bereich unterstützen robotische Operationssysteme wie das da‑Vinci-System Chirurgen, indem sie feinere Bewegungen ermöglichen und die Schnittführung stabilisieren. Diese Systeme kombinieren mechanische Präzision mit bildgebender Unterstützung; die Hersteller dokumentieren diese Anwendungen in ihren Produktbeschreibungen (Intuitive Surgical).
Ein zentrales Qualitätsmerkmal moderner Roboter ist die Fähigkeit, von Beispielen zu lernen. Beim Imitationslernen zeigt ein Roboter durch Beobachtung oder durch Teleoperation, wie eine Aufgabe ausgeführt wird; daraus kann er generalisieren. Diese Methode ist in Forschungsübersichten systematisch zusammengefasst (Argall et al., 2009) und eignet sich besonders, wenn explizite Programmierung sehr aufwändig wäre.
Zusammenfassend: KI ergänzt klassische Regelungs- und Planungsverfahren durch datengetriebene Wahrnehmung und Anpassung. Das verändert die Einsatzgebiete, macht Systeme flexibler, aber bringt auch neue Unsicherheiten (etwa bei Robustheit außerhalb der Trainingsdaten).
Dauer: ca. 20 Minuten
Um die Veränderungen durch KI methodisch zu verstehen, führen wir zentrale Begriffe ein und ordnen sie aufgabenbezogen ein. Wahrnehmung (Perception) bezeichnet die Verarbeitung von Sensordaten – z. B. Kamerabilder, LiDAR oder Tastsensorik. In der Forschung ergänzen lernbasierte Bildverarbeitungs-Modelle klassische Signalverarbeitung, insbesondere wenn Umgebungen variabel sind. Für die Übertragung von im Simulator gelernten Wahrnehmungs- und Steuerungsmodellen in die physische Welt ist das Verfahren der „Domain Randomization“ bekannt: Durch zufällige Variation der simulierten Szenerie beim Training kann ein Modell robuster gegenüber realen Abweichungen werden (Tobin et al., 2017).
Planung bezieht sich auf das Finden einer Abfolge von Bewegungen oder Zuständen, die ein Ziel erreichen. Traditionelle Planer arbeiten mit Modellen der Kinematik und Dynamik; KI‑Methoden fügen hier lernbasierte Komponenten hinzu, z. B. Wertschätzungen in der Verstärkungslern‑Kontrolle (Reinforcement Learning, RL) oder Policy‑Netze, die direkt aus Bildern Aktionen ableiten. Imitationslernen (Learning from Demonstration) ist ein pragmatischer Ansatz, um Policies aus Beispielen zu gewinnen; eine umfassende Übersicht findet sich in Argall et al. (2009).
Steuerung (Control) ist die feinkörnige Umsetzung geplanter Trajektorien in Motorbefehle unter Berücksichtigung von Störungen. Hybride Systeme kombinieren modellbasiertes Feedback mit datenbasierten Anpassungen, um die Sicherheit und Stabilität zu erhalten (vgl. Springer Handbook of Robotics).
Weitere wichtige Begriffe: Sim‑to‑Real bezeichnet die Übertragungsproblematik von simulationstrainierten Modellen in die reale Welt (vgl. Tobin et al., 2017). Manipulation bezeichnet Greifen und Handhaben von Objekten; bei komplexen, weichen oder variablen Objekten bleibt das Problem der robusten Greifplanung offen und ist ein aktives Forschungsfeld (Siciliano & Khatib, Hrsg.). Mensch‑Roboter‑Interaktion (HRI) umfasst Methoden, mit denen Roboter Intentionen von Menschen erkennen, verständlich kommunizieren und gemeinsam Aufgaben ausführen können. Sicherheitsrelevante Ansätze und ethische Leitlinien werden in politischen und fachlichen Dokumenten diskutiert; die EU‑Leitlinien für vertrauenswürdige KI fassen Prinzipien und Anforderungen an Transparenz, Robustheit und Verantwortlichkeit zusammen (European Commission, HLEG, 2019).
Wichtig ist, mögliche Limitierungen der lernbasierten Komponenten anzuerkennen: Trainingsdaten sind nie vollständig repräsentativ für alle realen Situationen. Deshalb sind Robustheitsprüfungen, formale Verifikation für sicherheitskritische Teilfunktionen und Überwachungsmechanismen wesentliche Ergänzungen. Das Springer Handbook of Robotics und die EU‑Leitlinien bieten dazu methodische Hinweise und Prinzipien.
Abschließend: Die Verbindung von Wahrnehmung, Planung und Steuerung mit datengetriebenen Methoden erlaubt Robotern, Aufgaben weit flexibler zu erfüllen als vorher. Gleichzeitig verlagert sich ein Teil der Herausforderungen von Modellbildung zur Sicherstellung von Robustheit und Verlässlichkeit in unbekannten Umgebungen.
Dauer: ca. 10 Minuten
Konkrete Anwendungen, die heute schon von KI profitieren, sind industrielle Logistik (Sortieren, Transport von Behältern), assistive Pflege (Unterstützung bei Mobilität, Begleitung), operative Assistenz in der Chirurgie (Präzisionsmanipulation unter visueller Unterstützung) sowie Inspektionsaufgaben in Energie‑ und Infrastruktursegmenten. Hersteller und Anbieter beschreiben typische Einsatzszenarien: Amazon Robotics für Logistiklösungen und Intuitive Surgical für robotisch assistierte Chirurgie geben praxisnahe Einblicke in konkrete Systeme.
Gleichzeitig bestehen klare Grenzen: Roboter sind in sehr unstrukturierten, wechselhaften Alltagsszenarien weiterhin beschränkt. Aufgaben, die elementare Alltagshandgriffe mit ungewohnten Objekten und komplexer sozialer Interaktion erfordern, bleiben herausfordernd, weil Trainingsdaten selten alle Randfälle abdecken und weil physische Interaktionen viele unerwartete Kontaktzustände erzeugen. Die Forschung zur Übertragung von Simulationserfahrung in die reale Welt (Sim‑to‑Real) ist ein aktiver Versuch, diese Lücke zu verringern (Tobin et al., 2017), aber vollständige Lösungen existieren noch nicht.
Gedankenübung 1: Stellen Sie sich vor, ein Serviceroboter soll in einer privaten Wohnung Teller aufnehmen, Spülgut einsortieren und an wechselnden Orten auffinden. Welche Komponenten würden Sie priorisieren: robuste Objekterkennung, Tastsensorik für variierende Greifpunkte, situative Planung, oder Interaktion mit den Bewohnern? Diskutieren Sie, welche Risiken auftreten können, wenn nur eine Komponente stark ist (z. B. gute Erkennung, aber schlechte Greifkontrolle).
Gedankenübung 2: Ein Lager möchte Entscheidungen treffen, ob sich eine Investition in lernfähige Greifarme lohnt. Welche Kriterien wären wirtschaftlich und technisch relevant (z. B. Varianz der zu greifenden Objekte, Häufigkeit von neuen Objektklassen, Anforderungen an Ausfallzeiten)? Welche Unsicherheiten müssten sie quantifizieren?
Diese Aufgaben zeigen: Technische Machbarkeit ist nur ein Teil der Entscheidung; Robustheit, betriebliche Rahmenbedingungen sowie ethische und rechtliche Fragen spielen eine große Rolle. Die EU‑Leitlinien geben Beispiele für Governance‑und Sicherheitsanforderungen, die beim Einsatz berücksichtigt werden sollten.
Abschließend sei nochmals betont: Die Integration von KI in die Robotik erweitert die Palette möglicher Aufgaben und erhöht die Flexibilität, stellt die Forschung und Betreiber aber vor neue Anforderungen an Robustheit, Testbarkeit und verantwortliche Gestaltung. Genauere Prognosen zur Verbreitung und zu gesamtwirtschaftlichen Effekten sind Gegenstand laufender Studien und unterscheiden sich je nach Sektor; hierzu bestehen Datenlücken und Unsicherheiten.