Affordance

In der Robotik ist eine Affordance eine Eigenschaft oder ein Merkmal eines Objekts in der Umgebung, das einem Roboter eine bestimmte Aktion oder Interaktion ermöglicht. Wenn ein Roboter-Kamerasystem einen Griff an einer Tür erkennt, bietet dieser Griff das Greifen an; wenn er eine ebene Fläche in der richtigen Höhe sieht, ermöglicht diese Fläche die Platzierung eines Objekts. Affordances sind relational: sie existieren nicht im Objekt allein, sondern in der Verbindung des Objekts mit den Fähigkeiten und Einschränkungen des Roboters. Eine kleine Kante ermöglicht einen Halt für einen Greifer mit 10 mm Backenweite, nicht aber für einen mit mindestens 20 mm Freiraum.

Das Konzept stammt aus der ökologischen Psychologie, ist aber in der modernen Robotermanipulation und Navigation unverzichtbar geworden. Statt explizite Regeln für jede Aktion zu programmieren, entwickeln Ingenieure Systeme, die Affordances erkennen oder erlernen: visuelle Merkmale, die anzeigen, wie ein Objekt verwendet werden kann. Ein Roboter, der aus menschlichen Demonstrationen lernt, könnte identifizieren, dass zylindrische Formen mit strukturierten Oberflächen das Greifen bei bestimmten Durchmessern ermöglichen, oder dass nach unten weisende Flächen eine Gleitbewegung ermöglichen. Der Roboter verknüpft visuelle und taktile Hinweise mit erfolgreichen Manipulationsergebnissen.

Affordances in Wahrnehmung und Steuerung

In der Praxis muss ein Roboter Affordances aus Sensordaten ableiten, ob von Kameras, Tiefensensoren, Kraftrückmeldung oder taktilen Arrays. Eine Schiebaufgabe erfordert Flächen, die ein Gleiten ohne übermäßige Reibung ermöglichen; eine Stapelaufgabe erfordert Flächen, die stabilen Kontakt und Gewichtsverteilung ermöglichen. Deep-Learning-Systeme, die mit Manipulationsdaten trainiert wurden, können Affordance-Karten vorhersagen, typischerweise räumliche Merkmals-Matrizen, die über Kamerabilder gelegt werden und anzeigen, wo und wie eine Interaktion möglich ist. Diese Karten steuern die Bewegungsplanung und die Greiferkonfiguration.

Affordance-Nichtübereinstimmung ist ein häufiger Ausfallfall. Ein Roboter, der trainiert wurde, Griffe an zylindrischen Objekten zu erkennen, kann bei ovalen oder D-förmigen Griffen versagen. Ein Greifer, der für glatte Kunststoffe kalibriert ist, kann auf öligem Metall rutschen. Umgebungsschwankungen, Sensorrauschen und Verschleiß an mechanischen Fingern verschlechtern alle die Affordance-Erkennung. Deshalb kombinieren robuste Systeme mehrere Sensoreingangskanäle und nutzen Kraft- oder Drehmomentsensoren, um zu bestätigen, dass eine beabsichtigte Affordance tatsächlich vorhanden ist, bevor eine kraftvolle Aktion eingeleitet wird.

Der Begriff selbst stammt von der Designtheorie von James Gibson, der ihn verwendete, um die Handlungsmöglichkeiten zu beschreiben, die eine Umgebung einem Organismus bietet. In der Robotik bilden Affordances die Schnittstelle zwischen Wahrnehmung und Aktion: sie sind die Verbindung zwischen dem, was der Roboter beobachtet, und dem, was er tun kann. Das Verständnis von Affordances ist nun zentral für die Sim-to-Real-Übertragung, bei der Roboter, die in einer Simulation trainiert wurden, erkennen müssen, dass sich Affordances in der physischen Welt subtil von denen im simulierten Modell unterscheiden können.