Advertisement

Roboter werden sozial

  • Klaus MainzerEmail author
Chapter
Part of the Technik im Fokus book series (TECHNIK)

Zusammenfassung

Mit zunehmender Komplexität und Automatisierung der Technik werden Roboter zu Dienstleistern der Industriegesellschaft. Die Evolution lebender Organismen inspiriert heute die Konstruktion von Robotiksystemen für unterschiedliche Zwecke [1]. Mit wachsenden Komplexitäts‑ und Schwierigkeitsgraden der Dienstleistungsaufgabe wird die Anwendung von KI‐Technik unvermeidlich. Dabei müssen Roboter nicht wie Menschen aussehen. Genauso wie Flugzeuge nicht wie Vögel aussehen, gibt es je nach Funktion auch andere angepasste Formen. Es stellt sich also die Frage, zu welchem Zweck humanoide Roboter welche Eigenschaften und Fähigkeiten besitzen sollten.

Humanoide Roboter sollten direkt in der menschlichen Umgebung wirken können. In der menschlichen Umwelt ist die Umgebung auf menschliche Proportionen abgestimmt. Die Gestaltung reicht von der Breite der Gänge über die Höhe einer Treppenstufe bis zu Positionen von Türklinken. Für nicht menschenähnliche Roboter (z. B. auf Rädern und mit anderen Greifern statt Händen) müssten also große Investitionen für Veränderungen der Umwelt ausgeführt werden. Zudem sind alle Werkzeuge, die Mensch und Roboter gemeinsam benutzen sollten, auf menschliche Bedürfnisse abgestimmt. Nicht zu unterschätzen ist die Erfahrung, dass humanoide Formen den emotionalen Umgang mit Robotern psychologisch erleichtern.

Literatur

  1. 1.
    Mainzer K (2010) Leben als Maschine? Von der Systembiologie zur Robotik und künstlichen Intelligenz. Mentis, PaderbornGoogle Scholar
  2. 2.
    Kajita S (Hrsg) (2007) Humanoide Roboter. Theorie und Technik des Künstlichen Menschen. Aka, BerlinGoogle Scholar
  3. 3.
    Ulbrich H, Buschmann T, Lohmeier S (2006) Development of the humanoid robot LOLA. Journal of Applied Mechanics and Materials 5(6):529–539CrossRefGoogle Scholar
  4. 4.
    Murray RM, Li Z, Sastry SS (1994) A Mathematical Introduction to Robot Manipulation. CRC Press, Boca Raton, FloridaGoogle Scholar
  5. 5.
    Isozumi, Akaike, Hirata, Kaneko, Kajita, Hiruka (2004) Development of humanoid Robot HRP-2. Journal of RSJ 22(8):1004–1012Google Scholar
  6. 6.
    Newell A, Simon HA (1972) Human Problem Solving. Prentice Hall, Englewood Cliffs NJGoogle Scholar
  7. 7.
    Siegert H, Norvig P (1996) Robotik: Programmierung intelligenter Roboter. Springer, BerlinCrossRefGoogle Scholar
  8. 8.
    Valera F, Thompson E, Rosch E (1991) The Embodied Mind. Cognitive Science and Human Experience. MIT Press, Cambridge (Mass.)Google Scholar
  9. 9.
    Marcus G (2003) The Algebraic Mind: Integrating Connectionism and Cognitive Science. Cambridge (Mass.)Google Scholar
  10. 10.
    Pfeifer R, Scheier C (2001) Understanding Intelligence. A Bradford Book, Cambridge (Mass.)Google Scholar
  11. 11.
    Mainzer K (2009) From embodied mind to embodied robotics: Humanities and system theoretical aspects. Journal of Physiology (Paris) 103:296–304CrossRefGoogle Scholar
  12. 12.
    Domingos P, Richardson M (2004) Markov logic: A unifying framework for statistical relational learning. In: Proceedings of the ICML Workshop on Statistical Relational Learning and Its Connections to Other Fields, S 49–54Google Scholar
  13. 13.
    Koerding KP, Wolpert D (2006) Bayesian decision theory in sensomotor control. Trends in Cognitive Sciences 10:319–329CrossRefGoogle Scholar
  14. 14.
    Thurn S, Burgard W, Fox D (2005) Probabilistic Robotics. MIT Press, Cambridge (Mass.)Google Scholar
  15. 15.
    Pearl J (2000) Causality, Models, Reasoning, and Inference. Cambridge University Press, Cambridge (Mass.)Google Scholar
  16. 16.
    Glymour C, Scheines R, Spirtes P, Kelley K (1987) Discovering Causal Structures. Artificial Intelligence, Philosophy of Science, and Statistical Modeling. Academic Press, OrlandoGoogle Scholar
  17. 17.
    Braitenberg V (1986) Künstliche Wesen. Verhalten kybernetischer Vehikel. Vieweg+Teubner, BraunschweigCrossRefGoogle Scholar
  18. 18.
    Arkin R (1998) Behavior-Based Robotics. A Bradford Book, Cambridge (Mass.)Google Scholar
  19. 19.
    Knoll A, Christaller T (2003) Robotik. Fischer Taschenbuch Verlag, Frankfurt, S 82 (nach Abb. 17)Google Scholar
  20. 20.
    Wilson EO (2000) Sociobiology: The New Synthesis. 25th Anniversary Edition. Belknap Press, Cambridge (Mass.)Google Scholar
  21. 21.
    Wilson EO (1971) The Insect Societies. Belknap Press, CambridgeGoogle Scholar
  22. 22.
    Balch T, Parker L (Hrsg) (2002) Robot Teams: From Diversity to Polymorphism. A K Peters/CRC Press, Wellesley (Mass.)Google Scholar
  23. 23.
    Mataric M (1993) Designing emergent behavior: From local interaction to collective intelligence. In: From Animals to Animates 2 2nd Intern. Conference on Simulation of Adaptive Behavior, S 432–441Google Scholar
  24. 24.
    Mataric M, Sukhatme G, Ostergaard E (2003) Multi-robot task allocation in uncertain environments. Autonomous Robots 14(2–3):253–261Google Scholar
  25. 25.
    Brooks RA (2005) Menschmaschinen. Campus Sachbuch, FrankfurtGoogle Scholar
  26. 26.
    Dautenhahn K (1995) Getting to know each other – Articial social intelligence for autonomous robots. Robotics and Autonomous Systems 16:333–356CrossRefGoogle Scholar
  27. 27.
    Stone P (2000) Layered Learning in Multiagent Systems. A Winning Approach to Robotic Soccer. A Bradford Book, Cambridge (Mass.)Google Scholar
  28. 28.
    Leottau DL, Ruiz-del-Solar J, MacAlpine P, Stone P (2016) A study of layered learning strategies applied to individual behaviors in robot soccer. In: Almeida L, Ji J, Steinbauer G, Luke S (Hrsg) RoboCup-2015: Robot Soccer World Cup XIX, Lecture Notes in Artificial Intelligence. Springer, BerlinGoogle Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Technische Universität MünchenMünchenDeutschland

Personalised recommendations