Physik  |  Technik

 

Kevin Leutwyler, 2005 | Niederlenz, AG

 

Diese Arbeit untersucht die Entwicklung eines Roboters, der das Bewegungsverhalten und die Anatomie eines echten Zwergkaninchens möglichst naturgetreu nachbildet. Mittels Hobbytechnik und maschinellen Lernens wurde ein Prototyp entwickelt, der in einer virtuellen Umgebung trainiert und anschliessend in der realen Welt getestet wurde. Das Ziel war es, mithilfe von Reinforcement Learning kaninchenartige Fortbewegungsmuster zu erlernen und auf den physischen Roboter zu übertragen.

Fragestellung

Die Arbeit befasst sich mit drei zentralen Fragen:
• Ist es möglich, ein Zwergkaninchen in seinen wesentlichen anatomischen Merkmalen technisch zu reproduzieren?
• Kann ein lernender Agent in einer Simulation Bewegungsmuster auf unterschiedlichen Terrains erlernen, die dem natürlichen Verhalten eines Kaninchens entsprechen?
• Lassen sich die in der Simulation entwickelten Bewegungsabläufe erfolgreich auf einen realen Roboter übertragen?

Methodik

Das Projekt gliedert sich in drei Teilbereiche. Zunächst wurde im Entwurfsprozess anhand detaillierter Messungen eines echten Zwergkaninchens ein mechanisches Modell erstellt und mittels CAD in ein 3D-Modell überführt. Anschliessend wurde dieses Modell in einer Computersimulation unter Einsatz von Reinforcement Learning trainiert. Dabei kamen die Algorithmen PPO und SAC zum Einsatz, um unterschiedliche Fortbewegungsstrategien zu evaluieren. Im dritten Teil erfolgte die Übertragung der simulierten Bewegungen auf den realen Roboter, gefolgt von einer Analyse der Unterschiede zwischen Simulation und Praxis, sowie dem Vorbild, dem Kaninchen.

Ergebnisse

Das Roboterkaninchen erreichte eine hohe Übereinstimmung mit dem echten Zwergkaninchen in Bezug auf Massenverteilung und Bewegungsabläufe. Die Simulation ergab, dass der SAC-Algorithmus natürliche Bewegungen präziser nachahmte als der PPO-Algorithmus. Zudem zeigten RL-Agenten, die in natürlichem Terrain trainiert wurden, deutlich bessere Ergebnisse. Bei der Übertragung in die reale Welt führten jedoch Materialeigenschaften und die Begrenzungen der Servomotoren zu Abweichungen in der Bewegungsdynamik.

Diskussion

Die Ergebnisse verdeutlichen, dass die technische Nachbildung eines Lebewesens wie des Zwergkaninchens komplexe Herausforderungen mit sich bringt. Obwohl die Simulation vielversprechende Resultate lieferte, konnten nicht alle Bewegungsaspekte in der realen Umgebung exakt umgesetzt werden. Die Unterschiede zwischen virtueller Simulation und realer Dynamik weisen darauf hin, dass neben der Optimierung des maschinellen Lernens auch das mechanische Design weiter verbessert werden muss, um die biomechanischen Eigenschaften eines echten Kaninchens besser zu approximieren.

Schlussfolgerungen

Die Arbeit belegt, dass es möglich ist, ein Robotermodell eines Zwergkaninchens zu konstruieren und mit Reinforcement Learning kaninchenartige Bewegungen zu trainieren. Trotz der erkannten technischen Limitierungen liefert das Projekt wertvolle Erkenntnisse zur Integration von maschinellem Lernen in komplexere Robotik. Die gewonnenen Erfahrungen bieten eine solide Grundlage für weitere Optimierungen, um die Kluft zwischen Simulation und realer Anwendung schrittweise zu überbrücken.

 

 

Würdigung durch den Experten

Prof. Heinz Domeisen

Kevin Leutwyler wollte wissen, wie gut ein künstliches Kaninchen hüpfen kann. Er scheute sich nicht, sich in Mechanik, Elektronik und Programmierung einzuarbeiten, befasste sich mit Anatomie, Parallelkinematik, neuronalen Netzen und Lernalgorithmen. In umfangreichen Simulationsreihen trainierte er das Roboter-Kaninchen für realitätsnahe Bewegungen. Das Resultat des grossen Aufwandes ist vertieftes Verständnis für die verschiedenen Fachgebiete und sehr viele praktische Erfahrungen.

Prädikat:

hervorragend

Sonderpreis «Genius Olympiad – Science»

 

 

 

Alte Kantonsschule Aarau
Lehrer: MSc Jonathan Hanselmann