Kampfroboter sollen von Menschen schießen lernen

Eine der Schwächen von KI-Systemen ist die Erkennung und Unterscheidung von Zielen in einem unübersichtlichen, sich veränderndem Terrain

Militärische Forschung setzt gegenwärtig auf autonome Systeme, inklusive autonome Kampfroboter, aber auch auf die Verbesserung und Ausweitung der Schnittstellen zwischen Mensch und Maschine. Mit Gehirn-Computer-Schnittstellen (BCI) hat man etwa schon große Fortschritte erzielt. Mit nichtinvasiver Abnahme von Hirnwellen lassen sich Computer oder Roboter durch neuronale Befehle steuern, mit Gehirnimplantaten können bereits Prothesen direkt durch Abnahme der Signale aus dem motorischen Cortex bewegt werden.

Um Aufmerksamkeit, Schnelligkeit und Leistung von Soldaten zu steigern, experimentiert das US-Militär mit einem Headset zur Neurostimulation. Nichtinvasiv wird dabei der motorische Kortex mittels Transkranieller Magnetstimulation in "Stimmung" gebracht, was die Verarbeitung verbessern soll.

Wissenschaftler am Army Research Lab wollen nun Roboter optimieren, um sie besser Ziele erkennen, auf sie zielen und schießen zu lassen. Zwar sind technische Systeme besser, was die Erkennung vieler Objekte auf weite Entfernung betrifft, sie können im Prinzip auch schneller und genauer zielen und schießen als Menschen, die dazu mehr Zeit benötigen, bis neuronal die Signale aus der Sensorik verarbeitet und motorische Befehle gegeben werden, also bis der Weg von den Augen über die kognitive Verarbeitung bis zu den Muskeln, die einen Schuss auslösen, durchlaufen wird. Aber eine der Schwächen von KI-Systemen ist die Erkennung von Zielen in einem unübersichtlichen, sich veränderndem Terrain, wo es schwer fällt, eine semantische Segmentierung durchzuführen oder gar "Freund" und "Feind" auseinanderzuhalten.

Das wollen die Wissenschaftler, wie sie auf der BCIfor Real '17 berichteten, lernenden neuronalen Netzen beibringen, indem sie die Daten von Menschen erhalten, die Schießentscheidungen in der sensorisch komplex strukturierten Welt treffen. In das KI-System werden die Daten eingespielt, die mittels eines nichtinvasiven, auf EEC basierten BCI von den Gehirnen der Menschen abgeleitet werden, die in einem virtuellen Szenario entscheiden, ob sie auf ein Ziel feuern. Durch Deep Learning sollen die neuronalen Netze lernen, die Ziele anhand visueller Merkmale zu erkennen, die die Menschen anvisiert haben.

Das Projekt, das die Entwicklungsrichtung hin zu autonomen Kampfrobotern deutlich macht, findet im Kontext des Forschungsprogramms der Cognition and Neuroergonomics Collaborative Technology Alliance. Im Zentrum stehen dabei die P300-Reaktionen, das sind spezifische Gehirnwellen, mit denen das Gehirn unwillkürlich auf Interessantes, auch Bekanntes 300 ms nach Auftauchen eines Stimuli mit hoher elektrischer Aktivität reagiert. Daher wurden P300-Reaktionen auch schon zur Entwicklung von Lügendetektoren benutzt. Hier sollen sie bei der Beobachtung einer Umgebung markieren, dass etwas als mögliches Ziel in der Wahrnehmung auftaucht. Die Vorstellung geht dahin, mit Headsets die Gehirnwellen von Soldaten im Feld unter realistischen Bedingungen ableiten zu können, um so die KI-Systeme realitätstauglich optimieren zu können. Beispielsweise würde dann etwas als wichtig erachtet, wenn mehrere Soldaten einer Einheit gleichzeitig auf ein Objekt reagieren.

Die Forschung befindet sich noch am Anfang. Noch ist keineswegs klar, ob ein KI-System aus den neuronalen Daten und den Augenbewegungen, die ebenfalls erfasst werden, tatsächlich "vernünftige" Entscheidungen treffen, d.h. Ziele identifizieren kann, die als Feinde gelten. Erste Experimente mit wenigen Versuchspersonen, die Unterscheidungen zwischen sehr einfachen Zielen und Nicht-Zielen treffen, werden als prinzipiell erfolgversprechend beschrieben (EEGNet: A Compact Convolutional Network for EEG-based Brain-Computer Interfaces). Dabei wurden den Versuchspersonen Bilderfolgen vorgelegt, auf denen entweder Fahrzeuge und Personen als Ziele zu sehen waren oder anderes, was als Nicht-Ziel galt, um die Klassifizierung von visuellen Objekten zu optimieren.