In der Welt der Robotik markiert Redwood AI einen bedeutenden Fortschritt in der Fähigkeit humanoider Roboter, sich frei und flexibel in verschiedenen Lebensräumen zu bewegen. Die Plattform NEO, eine bipedale Roboterfigur, dient als Grundlage für die neuesten Entwicklungen im Bereich der Mobilität. Ziel ist es, humanoiden Robotern mit menschenähnlichen Bewegungsmustern eine umfassende Zugriffsmöglichkeit auf ihre Umgebung zu ermöglichen – von niedriggelegenen Stellen am Boden bis hin zu höher gelegenen Regalen. Dies ist vor allem im privaten Kontext von großer Bedeutung, da zahlreiche Tätigkeiten, wie das Aufräumen, das Sortieren oder das Holen von Gegenständen, eine präzise und flexible Fortbewegung erfordern. Das Fundament dieser Innovation besteht in einem neuartigen Reinforcement-Learning-basierten Steuerungssystem.
Dieses System ermöglicht dem Roboter nicht nur das natürliche Gehen in alle Richtungen, sondern auch komplexere Bewegungsformen wie Hinsetzen, Aufstehen, Knien sowie das Bewältigen von Treppenstufen. Hierbei ist besonders hervorzuheben, dass all diese Fähigkeiten erstmals in einem einzigen, einheitlichen Steuerungsmodul zusammengeführt wurden. Dies stellt einen entscheidenden Meilenstein dar, der das volle Potenzial humanoider Roboter freisetzt und deren Einsatzspektrum stark erweitert. Die Entwicklung der systeminternen Mobilitätskomponenten profitiert maßgeblich von Fortschritten in der Robotik der letzten zehn Jahre. Besonders hervorzuheben sind die Einführung von torque-transparenten Aktuatoren sowie die Integration von tiefen Verstärkungslernalgorithmen (Deep Reinforcement Learning), die zusammen mit der GPU-beschleunigten Simulation eine schnelle und effiziente Trainingsphase ermöglichen.
Innerhalb weniger Stunden kann etwa ein zweibeiniger Roboter in einer simulierten Umgebung darauf trainiert werden, aufrecht zu stehen und präzise Richtungsanweisungen umzusetzen. Trotz der oft vereinfachten physikalischen Bedingungen in Simulationen werden durch umfassende zufällige Variationen von Parametern wie Reibung, Masse oder Sensorausfällen, robuste Modelle erzeugt, die sich anschließend problemlos im realen Umfeld bewähren. Nicht nur das standardmäßige Vorwärts- und Rückwärtsgehen wurde perfektioniert, sondern auch seitliches Steppen ist mittlerweile möglich. Diese Fähigkeit zeigt sich besonders praktisch in beengten Situationen, wie etwa in der Küche oder im Wohnzimmer, wo zwischen Möbelstücken nur wenig Platz für größere Bewegungen gegeben ist. Gerade in diesen Bereichen offerieren hüpfende oder rollende Roboter oftmals nicht dieselbe Flexibilität wie bipede Roboter, die dank omnidirektionalem Steuern deutlich agiler sind.
Eine Herausforderung bei der Erstellung von Bewegungssteuerungen mittels verstärkendem Lernen liegt in der Notwendigkeit spezifischer Belohnungsfunktionen für jede neue Bewegungsart, um eine natürliche menschliche Gangart zu erzeugen. Diese sogenannten „shaping rewards“ sind meist auf einzelne Bewegungsmuster spezialisiert und erfordern eine fachkundige, manuelle Feinabstimmung. Dadurch ist der Prozess wenig skalierbar und mündet in einem erheblichen Mehraufwand bei der Entwicklung neuer Verhaltensweisen. Um dieser Limitierung zu begegnen, verfolgt Redwood AI einen innovativen Ansatz: Mithilfe von Bewegungserfassungstechnologien werden natürliche menschliche Bewegungen aufgenommen und algorithmisch auf das Gelenksystem von NEO übertragen. Diese Bewegungsdaten dienen als Referenz für den Lernprozess, wobei der Verstärkungslernalgorithmus trainiert wird, diese Kinematik so genau wie möglich nachzuahmen, während er gleichzeitig die Balance und dynamische Stabilität des Roboters aufrechterhält.
Das Ergebnis dieser Methode sind fließende, dynamische Bewegungen, die weit über das simple Nachahmen hinausgehen. Der Roboter vermag komplexe Abläufe wie das Tanzen oder das schnelle Richtungswechseln wirkungsvoll und stabil auszuführen. Diese Fähigkeit, einzelne Bewegungssequenzen präzise zu reproduzieren, zeigt die enorme Flexibilität des Systems, stellt jedoch alleine noch keine umfassend steuerbare Bewegungsplattform dar. Für eine wirklich praktische Anwendung ist es notwendig, Bewegungen jederzeit in Echtzeit und situationsabhängig zu steuern und nahtlose Übergänge zwischen verschiedenen Bewegungsarten zu ermöglichen. Hierfür wurde ein zweistufiges Steuerungskonzept entwickelt.
Die erste Stufe, ein kinematischer Planer, erzeugt auf Grundlage von Eingabekommandos – etwa von Gamepad oder VR-Controllern – fließende Bewegungsreferenzen, die menschlichen Bewegungsdaten ähneln. Die zweite Stufe, ein robuster Low-Level-RL-Controller, setzt diese Zielbewegungen in konkrete Steuersignale für Gelenke und Motoren um und sorgt somit für ein stabil ausgeführtes Bewegungsmuster. Ein besonderer Fokus liegt zudem auf der Bewältigung von Treppen, einer der großen Herausforderungen für humanoide Roboter in häuslichen Umgebungen. Im Gegensatz zu vielen Prototypen, die auf teure Time-of-Flight-Sensoren oder Lidar-Systeme angewiesen sind, nutzt NEO ausschließlich eine Kombination aus stereoskopischer RGB-Kamera und propriozeptiven Systemen, um die Geometrie der Umgebung visuell zu erfassen. Diese datenbasierte Tiefenschätzung erlaubt es dem Roboter, die Höhe der nächsten Stufe präzise vorherzusagen und das entsprechende Bewegungsmuster rechtzeitig einzuleiten, sodass das Auf- und Absteigen auf Treppenstufen geschmeidig und sicher gelingt.
Die durch Domain-Randomisierung trainierten Modelle sind dabei so ausgelegt, dass sie auch unregelmäßige oder unterschiedlich hohe Stufen sicher überwinden können. Ebenso wird das seitliche Steppen auf Treppen unterstützt, was die Anpassungsfähigkeit des Roboters in realen, unvorhersehbaren Situationen weiter erhöht. Neben dem Treppensteigen ist die Fähigkeit, sich sicher zu setzen, zu knien oder aus liegender Position wieder aufzustehen, für die ausgeführten Alltagsaufgaben unverzichtbar. Aufgaben wie das Reinigen eines Flecks auf dem Teppich, das Sortieren von Gegenständen auf Bodenhöhe oder das Arbeiten in Schränken erfordern den Roboter genau diese Bewegungen. Redwood AI hat die RL-Steuerung dementsprechend erweitert, um diese Funktionen zuverlässig und sicher auszuführen.
Die Kombination aus einem umfassenden Aktionsinterface und der Fähigkeit zu komplexen, kontaktreichen Interaktionen eröffnet neue Möglichkeiten in der Zusammenarbeit zwischen dem Roboter und seiner Steuerungseinheit, sei es durch Teleoperation oder die KI selbst. Ein beeindruckendes Beispiel ist das bereits realisierte Fußballspiel, bei dem Redwood in der Lage ist, den Ball durch zielgerichtete Körper- und Beinausrichtungen präzise zu dribbeln. Dabei übersetzt die Steuerung hochrangige Bewegungsbefehle in fein abgestimmte Muskelkräfte und Gelenkbewegungen. Der technologische Fortschritt von Redwood AI definiert somit die nächsten Schritte in der Robotik für den Heimgebrauch. Die Entwicklung des ersten allgemein einsetzbaren und durch künstliche Intelligenz sowie Teleoperation kompatiblen Steuerungssystems steht exemplarisch für den Versuch, die gesamte Bandbreite menschlicher Beweglichkeit in einem einzigen humanoiden Roboter zugänglich zu machen.
Dies versetzt die Maschine in die Lage, jede Ecke des Heims – von den untersten Schubladen bis zu hohen Regalen – zu erforschen und zu bedienen. Die Daten, die hierbei generiert werden, liefern zugleich die Grundlage für die nächste Generation künstlicher Intelligenzen, welche mit einer nie dagewesenen physischen und kognitiven Vielfalt ausgestattet sein werden. Dadurch öffnen sich Chancen, die Entwicklung von Robotern weit über einfache Assistenzaufgaben hinaus voranzutreiben – hin zu multifunktionalen Partnern im Alltag, die eine erhebliche Erleichterung und Unterstützung bieten können. Redwood AI steht damit beispielhaft für eine neue Ära intelligenter Systeme, welche die Grenzen zwischen digitaler und physischer Welt immer weiter aufheben. Die Fähigkeit, sich frei, sicher und menschenähnlich zu bewegen, ist dabei keine bloße technische Spielerei, sondern der Schlüssel zur Integration von Robotern in den privaten Raum und das tägliche Leben.
Die Herausforderungen, die von der robusten Treppenüberwindung bis zur flüssigen Bewegung reichen, sind gemeistert durch ein fein orchestriertes Zusammenspiel aus moderner Hardware, algorithmischer Raffinesse und datengetriebenem Lernen. Insgesamt zeigt die mobile Steuerung für Redwood, wie zukunftsgestaltend Forschung im Bereich der humanoiden Robotik sein kann. Durch die enge Verbindung von Bewegungserfassung, KI-gesteuerten Planungsmodellen und realitätsnah trainierten Verstärkungslernalgorithmen entsteht eine Plattform, die sowohl die Anforderungen der Forschung als auch der praktischen Anwendung erfüllt. Die nächsten Jahre versprechen daher spannende Weiterentwicklungen, die den Alltag mit humanoiden Robotern nachhaltiger und vielseitiger gestalten werden.
