Die ultimative Transistor-Zeitleiste – IEEE Spectrum

Golfi, wie das Team seine Kreation genannt hat, verwendet eine 3D-Kamera, um einen Schnappschuss des Grüns zu machen, der dann in ein physikbasiertes Modell eingespeist wird, um Tausende von zufälligen Schlägen aus verschiedenen Positionen zu simulieren. Diese werden verwendet, um ein neuronales Netzwerk zu trainieren, das dann von überall auf dem Grün genau vorhersagen kann, wie hart und in welche Richtung ein Ball geschlagen werden muss, um ihn ins Loch zu bringen.

Auf dem Grün war Golfi sechs oder sieben von zehn Mal erfolgreich.

Wie selbst die besten Profis bekommt es nicht jedes Mal ein Hole-in-One. Das Ziel ist jedoch nicht wirklich, einen Golfroboter zu bauen, der Turniere gewinnt, sagt Junker, sondern die Leistungsfähigkeit hybrider Ansätze zur Robotersteuerung zu demonstrieren. „Wir versuchen, datengesteuerte und physikbasierte Methoden zu kombinieren, und wir haben nach einem schönen Beispiel gesucht, das jeder leicht verstehen kann“, sagt sie. „Für uns ist es nur ein Spielzeug, aber wir hoffen, einige Vorteile unseres Ansatzes für industrielle Anwendungen zu sehen.“

Bisher haben die Forscher ihren Ansatz nur auf einer kleinen Mock-up-Grünfläche in ihrem Labor getestet. Der Roboter, der in einem Papier beschrieben wird, das nächsten Monat auf der IEEE International Conference on Robotic Computing in Italien vorgestellt werden soll, navigiert auf vier Rädern, von denen zwei angetrieben sind, durch den zwei Quadratmeter großen Raum. Sobald er in Position ist, verwendet er eine riemengetriebene Getriebewelle mit einem am Ende befestigten Putter, um den Ball in Richtung des Lochs zu schlagen.

Zuerst muss es jedoch herausfinden, welcher Schlag angesichts der Position des Balls gespielt werden soll. Die Forscher beginnen mit einer Microsoft Kinect 3D-Kamera, die an der Decke montiert ist, um eine Tiefenkarte des Grüns aufzunehmen. Diese Daten werden dann zusammen mit anderen Parametern wie dem Rollwiderstand des Rasens, dem Gewicht des Balls und seiner Startgeschwindigkeit in ein physikbasiertes Modell eingespeist, um dreitausend zufällige Schläge von verschiedenen Startpunkten zu simulieren.

golfi videoYoutube

Diese Daten werden verwendet, um ein neuronales Netzwerk zu trainieren, das vorhersagen kann, wie hart und in welche Richtung der Ball geschlagen werden muss, um ihn von überall auf dem Grün ins Loch zu bringen. Es ist zwar möglich, dieses Problem durch die Kombination des auf Physik basierenden Modells mit klassischer Optimierung zu lösen, sagt Junker, aber es ist viel rechenintensiver. Und das Training des Roboters mit simulierten Golfschlägen dauert nur fünf Minuten, verglichen mit etwa 30 bis 40 Stunden, wenn sie Daten zu realen Schlägen sammeln würden, fügt sie hinzu.

Bevor er jedoch schlagen kann, muss der Roboter zuerst seinen Putter genau richtig auf den Ball ausrichten, was erfordert, dass er herausfindet, wo sich sowohl er selbst als auch der Ball auf dem Grün befinden. Dazu verwendet es ein neuronales Netzwerk, das darauf trainiert wurde, Golfbälle zu erkennen, und einen fest codierten Objekterkennungsalgorithmus, der farbige Punkte auf der Oberseite des Roboters auswählt, um seine Ausrichtung zu ermitteln. Diese Positionsdaten werden dann mit einem physikalischen Modell des Roboters kombiniert und in einen Optimierungsalgorithmus eingespeist, der herausfindet, wie seine Radmotoren gesteuert werden, um zum Ball zu navigieren.

Junker räumt ein, dass der Ansatz nicht fehlerfrei ist. Das derzeitige Setup basiert auf einer Vogelperspektive, die auf einem echten Golfplatz nur schwer nachzubilden wäre, und die Umstellung auf Kameras am Roboter würde große Herausforderungen darstellen, sagt sie. Wie oft Golfi den Putt erfolgreich versenkt, berichteten die Forscher auch nicht in ihrem Papier, denn die Zahlen wurden dadurch aus der Bahn geworfen, dass er gelegentlich über den Ball fuhr und ihn aus der Position schlug. Als das nicht geschah, sagt Junker, war es sechs oder sieben von zehn Mal erfolgreich, und seit sie das Papier eingereicht haben, hat ein Kollege das Navigationssystem überarbeitet, um dem Ball auszuweichen.

Golfi ist nicht die erste Maschine, die sich an diesem Sport versucht. Im Jahr 2016 schlug ein Roboter namens LDRICK ein Hole-in-One auf dem TPC Scottsdale-Kurs in Arizona, und es wurden mehrere Geräte gebaut, um Golfschläger zu testen. Aber Noel Rousseau, ein Golftrainer mit einem Doktortitel in motorischem Lernen, sagt, dass sie normalerweise einen Bediener erfordern, der sie für jeden Schlag sorgfältig einrichtet, und dass alle Anpassungen viel Zeit in Anspruch nehmen. „Das Beeindruckendste für mich ist, dass der Golfroboter in der Lage ist, den Ball zu finden, das Loch anzuvisieren und sich für einen präzisen Schlag in Position zu bringen“, sagt er.

Abgesehen von der Beherrschung des Puttens besteht die Hoffnung, dass die zugrunde liegenden Techniken, die die Forscher entwickelt haben, auf andere Robotikprobleme übertragen werden könnten, sagt Niklas Fittkau, Doktorand an der Universität Paderborn und Co-Hauptautor der Arbeit. „Das kann man auch auf andere Probleme übertragen, bei denen man etwas über das System weiß und Teile davon modellieren könnte, um Daten zu erhalten, aber man kann nicht alles modellieren“, sagt er.