Warum direktes Drehmoment das fehlende Signal im Imitation Learning ist

Während Robotik-KI über Wahrnehmung und Planung hinaus zunehmend physische Interaktionen beherrschen soll, zeigt sich in Forschungslaboren und Pilotprojekten immer wieder dieselbe Einschränkung:

Roboter, die ausschließlich auf Basis von Bewegungs- und Bilddaten trainiert wurden, geraten an ihre Grenzen, sobald echter Kontakt mit der Umgebung entsteht.

Einfügen, Montieren, Polieren oder Übergaben werden nicht primär dadurch bestimmt, wohin sich ein Roboter bewegt, sondern dadurch, wie er mit seiner Umgebung interagiert. Kraft, Nachgiebigkeit (Compliance) und physikalische Reaktionen entscheiden über Erfolg oder Misserfolg. Dennoch behandeln die meisten Lernpipelines diese Faktoren weiterhin als sekundäre Effekte.

Direct Torque Control wurde entwickelt, um genau das zu ändern.

Von der Bewegungswiedergabe zur physischen Interaktion

Die meisten Industrieroboter ermöglichen eine Steuerung auf Positions- oder Geschwindigkeitsebene. Diese Abstraktion eignet sich hervorragend für deterministische Automatisierungsaufgaben, verbirgt jedoch die tatsächliche Dynamik des Roboters vor lernenden Systemen.

Für Imitation Learning stellt dies eine grundlegende Einschränkung dar.

Menschliche Demonstrationen enthalten physische Absichten, beispielsweise:

• Wie sich die aufgebrachte Kraft während eines Fügeprozesses erhöht
• Wie mit Widerstand bei Fehlausrichtung umgegangen wird
• Wie der Kontakt geregelt wird, wenn Toleranzen variieren

Wenn diese Signale für den Roboter nicht sichtbar sind, gehen sie auch für das KI-Modell verloren.

Direct Torque Control stellt eine Steuerung auf Drehmomentebene sowie kalibrierte Roboterdynamiken bereit. Dadurch können Lernsysteme Kräfte und Interaktionen direkt am Endeffektor verstehen und nutzen, anstatt lediglich Bewegungsbahnen nachzuvollziehen.

Warum das über das Labor hinaus wichtig ist

Viele Imitation-Learning-Pipelines basieren heute auf VR-Controllern, kinematischer Teleoperation oder spezialisierter Forschungshardware. Diese Ansätze verfügen häufig nicht über die notwendige Kraftauflösung und spiegeln reale Produktionsbedingungen nur unzureichend wider.

Das Ergebnis ist bekannt:

• Saubere Demonstrationen
• Vielversprechende Modelle
• Fragile Implementierungen

Direct Torque Control verlagert Imitation Learning auf industrielle Robotersysteme, bei denen Demonstrationen von Anfang an reale Interaktionen und physikalische Randbedingungen erfassen.

Was Direct Torque Control für das Lernen von KI-Modellen ermöglicht

Direct Torque Control ist eine Low-Level-Schnittstelle innerhalb des Software-Stacks von Universal Robots. Sie ermöglicht es Entwicklern, Roboterdrehmomente direkt über eine niederstufige Steuerungsschnittstelle zu regeln, anstatt lediglich Positionen oder Geschwindigkeiten vorzugeben.

Für das Training von KI-Modellen eröffnet dies drei entscheidende Möglichkeiten, die mit höheren Abstraktionsebenen nicht erreichbar sind:

Kraft wird zu einem Lernsignal erster Klasse

Kontakt ist nicht länger nur eine Nebenwirkung von Bewegung.

Modelle können Kraft, Druck und Nachgiebigkeit während realer Interaktionen direkt beobachten, daraus lernen und ihr Verhalten entsprechend anpassen.

Lernen auf Basis realer Roboterdynamiken

Entwickler erhalten Zugriff auf kalibrierte Roboterdynamiken, darunter:

• Massenmatrizen
• Jacobi-Matrizen
• Coriolis-Terme
• Gelenkrückmeldungen

Dadurch können Regler und Lernmodelle auf realer industrieller Physik aufbauen statt auf vereinfachten Annahmen.

Nahtloser Übergang von Simulation zu realem Einsatz

Training und Ausführung laufen auf derselben Steuerungsarchitektur und Hardware. Modelle, die in Simulationen oder Forschungsumgebungen entwickelt wurden, können dadurch ohne Anpassung der Steuerungsschicht auf reale Roboter übertragen werden.

Entscheidend ist dabei, dass Direct Torque Control Nachgiebigkeit und Echtzeit-Kraftregelung ermöglicht. Modelle müssen daher nicht von Anfang an perfekt sein. Tritt der Roboter mit der realen Welt in Kontakt, können Drehmomenterfassung und Regelung dynamische Anpassungen vornehmen.

Dadurch werden Sim-to-Real-Probleme reduziert und Einsätze in unstrukturierten oder kontaktintensiven Anwendungen deutlich robuster.

Diese Kombination ermöglicht es lernenden Systemen, reale Kontakte außerhalb kontrollierter Demonstrationen erfolgreich zu bewältigen.

Direct Torque Control im Imitation Learning System von Universal Robots

Direct Torque Control ist eine grundlegende Technologie innerhalb des Universal Robots AI Trainer.

Im Leader-Follower-Ansatz:

• Menschliche Bediener führen Leader-Roboter durch reale Aufgaben
• Follower-Roboter spiegeln die Bewegungen in Echtzeit
• Demonstrationen erfassen synchronisierte Bewegungs-, Kraft- und Bilddaten

Der Zugriff auf Drehmomentebene stellt sicher, dass Demonstrationen nicht nur Bewegungen, sondern auch Kontaktverhalten, Nachgiebigkeit und physische Reaktionen enthalten.

So entstehen Datensätze, die sich ideal für das Training und Fein-Tuning moderner Manipulations- sowie Vision-Language-Action-(VLA)-Modelle eignen.

Besonders wichtig: Dieser Prozess findet auf denselben Robotern statt, die später produktiv eingesetzt werden sollen.

Entwickelt für Physical AI – nicht nur für Experimente

Mit der Weiterentwicklung von Physical AI wird Kraft nicht länger ein Sonderfall sein. Sie wird zum entscheidenden Signal, das Laborversuche von Produktionssystemen unterscheidet, die zuverlässig auf dem Fabrikboden arbeiten.

Direct Torque Control macht dieses Signal bereits heute verfügbar und kombiniert:

• Echtzeit-Drehmomentfeedback
• Nachgiebige Regelung (Compliance)
• Industrielle Sicherheit
• Hohe Zuverlässigkeit
• Maximale Verfügbarkeit (Uptime)

Für Teams, die Imitation-Learning-Pipelines entwickeln, ist dies der Unterschied zwischen Modellen, die unter kontrollierten Bedingungen vielversprechend erscheinen, und Systemen, die sich in realen Produktionsumgebungen trainieren, einsetzen und skalieren lassen.