Soll ein Roboterarm ein Objekt fassen, scheitert er in der Praxis oft, wenn es ihm nicht auf direktem Wege gelingt. Bis er berechnet hat, auf welchem indirektem Weg er zum Zuge kommt – etwa, indem er erst ein im Weg stehendes Hindernis beiseite räumt – dauert es Minuten. Forscher der englischen Universität Leeds kombinierten nun zwei KI-Techniken , um Abhilfe zu schaffen: das sogenannte Automated Planning und das Reinforcement Learning. Ersteres simuliert die mögliche Abfolge von Bewegungen, die der Greifarm ausführen könnte. Letzteres trainiert ihn mittels tausender Versuche, in denen er lernt, welche Aktionen größere Erfolgswahrscheinlichkeiten haben. So gelingt es den Robotern laut der Universität, eine Fähigkeit zur Verallgemeinerung zu entwickeln. Die Rechenzeit soll sich dadurch um den Faktor zehn beschleunigen.

Insbesondere das Reinforcement Learning wird derzeit intensiv erforscht. Manuel Kaspar aus der Konzernforschung des Robotik-Anbieters Kuka bezeichnet sie im Interview mit dem Portal Elektrotechnik Automatisierung als eine „erfolgversprechende Variante des Machine Learnings“. Der Haken für die Industrie bestehe aber darin, dass es im industriellen Prozess kaum möglich sei, das System beliebig oft scheitern zu lassen, bis es eine Situation schließlich richtig erfasst habe.