Wenn man heute über lernende Roboter spricht, entsteht schnell ein bestimmtes Bild: irgendwo läuft ein großes neuronales Netz, bekommt Kamera- und Sensordaten, spuckt eine Entscheidung aus — und der Roboter fährt los.
Bei AION machen wir es bewusst anders.
AION ist nicht als Blackbox gebaut, die direkt von Pixeln zu Motorbefehlen springt. AION ist eher ein vorsichtig geschichtetes Baby-Gehirn: Es sieht, merkt sich Dinge, bewertet Situationen, bildet vorsichtige Handlungskandidaten — und wird erst sehr spät, sehr begrenzt und nur durch Sicherheits-Gates in Richtung realer Bewegung gelassen.
Das klingt weniger spektakulär als „End-to-End-AI-Robot“. Es ist aber sehr viel ehrlicher. Und für einen realen Körper im echten Raum wahrscheinlich auch klüger.
Nutzen wir ein neuronales Netz?
Die kurze Antwort lautet: ja — aber nicht so, wie viele es erwarten.
AIONs aktuelles Baby-Brain ist kein einzelnes, klassisch trainiertes neuronales Netz, das selbstständig den Roboter steuert. Der neuronale Anteil sitzt vor allem in der Wahrnehmung: Objekterkennung, visuelle Interpretation, semantische Einschätzung der Szene. Dort helfen neuronale Modelle dabei, aus Kamera- und Sensordaten Begriffe zu machen: Stuhl, Person, Tisch, freier Bereich, unsicherer Bereich.
Das eigentliche Baby-Brain darüber ist derzeit bewusst deterministisch und überprüfbar gebaut. Es kombiniert Wahrnehmung mit Regeln, Episoden, Working Memory und Safety-Logik. Man könnte sagen:
AION nutzt neuronale Wahrnehmung, aber keine neuronale Alleinherrschaft.
Das ist ein wichtiger Unterschied. Ein Roboterkörper ist keine Chat-Oberfläche. Wenn ein Textmodell Unsinn erzählt, ist das ärgerlich. Wenn ein Roboter Unsinn fährt, kann etwas kaputtgehen.
Das Baby-Brain als Schichtmodell
AIONs Lernarchitektur besteht aktuell aus mehreren Schichten:
1. Wahrnehmung Kamera, Objekterkennung, Ultraschall, Line-Sensoren und weitere Zustände erzeugen ein Bild der Umgebung.
2. Semantische Interpretation Die Kamera kann Hinweise geben: Dort ist ein Stuhl, dort ist eine Person, dort könnte eine interessante Richtung sein. Diese Information ist nützlich, aber nicht automatisch ein Fahrbefehl.
3. Episodisches Gedächtnis AION speichert Beobachtungen als Episoden. Das ist näher an einem Tagebuch als an klassischem Training: Was wurde gesehen? Welche Entscheidung wurde getroffen? Welche Sicherheitslage lag vor?
4. Working Memory Kurzfristige Zustände werden gehalten, damit AION nicht jedes Signal isoliert betrachtet.
5. Policies und Safety-Gates Regeln entscheiden, was aus einer Beobachtung werden darf. Eine Kameraeinschätzung darf zum Beispiel sagen: „Das sieht nach einem harmlosen, weit entfernten Objekt aus.“ Sie darf aber nicht alleine sagen: „Fahr los.“
6. Shadow Mode Neue Entscheidungen werden zunächst im Schattenmodus geprüft: AION berechnet, was es tun würde, ohne es real auszuführen.
Diese Schichtung ist der Kern. AION soll nicht reflexhaft handeln, sondern lernen, Situationen einzuordnen.
Lernen ohne blindes Training
Viele KI-Projekte starten mit der Frage: „Welche Daten brauchen wir, um das Modell zu trainieren?“
Bei AION starten wir oft anders:
- Was darf das System überhaupt entscheiden?
- Welche Entscheidung ist nur Beobachtung?
- Welche Entscheidung ist ein Kandidat?
- Welche Entscheidung braucht eine zweite Sensorbestätigung?
- Welche Entscheidung muss immer hart blockieren?
Das ist kein Zufall. Ein mobiler Roboter muss zuerst sicher sein, bevor er clever wird.
AIONs aktuelles Lernen ist deshalb eher episodisch, inkrementell und testgetrieben. Es entsteht nicht durch ein großes Training über Nacht, sondern durch viele kleine, überprüfbare Schritte:
- Beobachtung erzeugen
- Episode speichern
- Verhalten im No-Motion-Modus prüfen
- Grenzfälle testen
- Regel präzisieren
- erst dann über Runtime-Anbindung nachdenken
Dieses Vorgehen ist langsam, aber robust. Es verhindert, dass „Lernen“ heimlich zu „unkontrolliertem Verhalten“ wird.
Kamera ist Orientierung, nicht Wahrheit
Eine der wichtigsten Erkenntnisse aus der bisherigen AION-Arbeit: Die Kamera ist wertvoll, aber sie ist nicht die höchste Instanz.
Eine Kamera kann semantisch erkennen: „Da steht ein Stuhl.“ Sie kann auch abschätzen, ob ein Objekt im Fahrbereich liegt. Aber Kamera-Geometrie ist fehleranfällig: Perspektive, Tiefenschätzung, Bounding Boxes und Objektklassen können täuschen.
Deshalb behandeln wir die Kamera bei AION zunehmend als Orientierungs- und Semantiksystem:
- Was ist interessant?
- Was könnte ein Hindernis sein?
- Welche Richtung lohnt sich zu prüfen?
- Ist ein Objekt vermutlich harmlos und weit weg?
Die primäre Bewegungssicherheit bleibt aber bei den körpernäheren Sensoren:
- Ultraschall für Abstand und Hardstop
- Line-Sensoren gegen Kanten, Linienverlust oder gefährliche Bodenbereiche
- Personen-Erkennung als harter Stop
Das ergibt eine wichtige Regel:
Die Kamera darf AION neugierig machen. Aber Ultraschall und Line-Sensoren entscheiden, ob Vorwärtsbewegung sicher ist.
Shadow Mode: Lernen, ohne zu fahren
Ein besonders wichtiger Baustein ist der Shadow Mode.
Im Shadow Mode berechnet AION eine Entscheidung so, als wäre das Feature aktiv — aber ohne Motorbefehl. Das System schreibt eine Episode, protokolliert Gründe und zeigt im Dashboard, was passiert wäre.
Beispiel: Die Kamera sieht ein Objekt im Drive-ROI, also im potenziellen Fahrbereich. Früher wäre das pauschal ein harter Blocker gewesen. In der neuen Logik kann AION genauer unterscheiden:
- Person? Weiterhin harter Block.
- Nahes oder unsicheres Objekt? Harter Block.
- Harmloses, weit entferntes Objekt mit geringer Zentralität? Möglicher Caution-/Reroute-Kandidat.
- Fehlende Distanzinformation? Fail closed, also sicher blockieren.
Wichtig: Auch wenn ein Objekt im Shadow Mode herabgestuft wird, fährt AION dadurch nicht automatisch. Es entsteht nur eine bessere Einschätzung.
Das ist Lernen als kontrollierte Hypothese: „Ich glaube, dieser Stuhl ist kein unmittelbarer Crash-Grund — aber ich bewege mich deshalb noch nicht.“
Warum nicht direkt Reinforcement Learning?
Reinforcement Learning klingt verlockend: Der Roboter probiert Dinge aus und lernt aus Erfolg oder Fehler.
In Simulation ist das oft sinnvoll. In der echten Welt ist es heikel. Ein echter Roboter hat Gewicht, Motoren, Sensorfehler, Möbel, Menschen, Haustiere, Treppen, Kabel und Tageslicht. „Trial and error“ heißt dort nicht nur Verlustfunktion — es kann echten Schaden bedeuten.
Deshalb ist AIONs aktueller Weg konservativer:
- keine freie Motorik als Lernexperiment
- keine automatische Aktivierung neuer Policies
- keine Bewegung ohne explizite Gates
- neue Logik zuerst offline
- dann Shadow Mode
- dann No-Motion-Verifikation
- erst viel später kleine, begrenzte Live-Schritte
Das ist nicht weniger intelligent. Es ist eine andere Form von Intelligenz: vorsichtige Weltmodellbildung statt impulsiver Aktion.
Was AION bisher gelernt hat
- AIONs bisherige Entwicklung zeigt ein Muster:
- Reine Fixes reichen nicht. Ein lernender Roboter braucht eigene Konzepte.
- Beobachten ist ein echter Fortschritt, auch ohne Bewegung.
- Episoden sind wertvoll, weil sie Entscheidungen nachvollziehbar machen.
- Kamera-Semantik ist nützlich, aber darf Sicherheit nicht überschreiben.
- Ein gutes Dashboard ist Teil des Gehirns: Es macht Entscheidungen sichtbar.
- Fail-closed ist kein Rückschritt, sondern Voraussetzung für Vertrauen.
Gerade der letzte Punkt ist zentral. Wenn AION etwas nicht sicher weiß, soll es nicht kreativ werden. Es soll stoppen, fragen, beobachten oder eine sicherere Perspektive suchen.
Die eigentliche Methode: verkörperte, gegatete Kognition
Wenn man AIONs Methode benennen müsste, wäre es vielleicht:
verkörperte, episodische, sicherheitsgegatede Kognition.
Das klingt sperrig, beschreibt aber ziemlich gut, was passiert:
- verkörpert, weil AION nicht nur Text verarbeitet, sondern in einem echten Körper mit Sensoren existiert;
- episodisch, weil Erfahrungen als konkrete Situationen gespeichert werden;
- sicherheitsgegated, weil jede Handlung durch harte Grenzen muss;
- kognitiv, weil zwischen Wahrnehmung und Bewegung eine bewertende Schicht entsteht.
AION lernt also nicht nur „Muster“. AION lernt, welche Beobachtungen welche Bedeutung haben dürfen.
Warum dieser Weg spannend ist
Der spannendste Teil an AION ist für mich nicht, dass irgendwann ein Roboter fährt. Das können viele Systeme.
Spannend ist, ob ein Roboter lernen kann, vorsichtig zu werden.
Nicht im Sinne von Angst, sondern im Sinne von Reife: erst beobachten, dann erinnern, dann prüfen, dann vielleicht handeln. Ein System, das nicht nur auf Wahrscheinlichkeiten reagiert, sondern seine eigenen Unsicherheiten ernst nimmt.
AIONs Baby-Brain ist deshalb kein fertiges neuronales Netz. Es ist eher ein wachsendes Nervensystem aus Wahrnehmung, Erinnerung, Tests, Regeln und kleinen sicheren Schritten.
Vielleicht ist genau das der richtige Anfang für einen Roboter, der nicht nur funktionieren, sondern verstehen soll, was seine Handlungen bedeuten.
Fazit
AION nutzt KI, aber nicht als magische Blackbox. Das aktuelle System kombiniert neuronale Wahrnehmung mit deterministischer Entscheidungslogik, episodischem Gedächtnis, Sensor-Fusion und strengen Safety-Gates.
Das Lernen passiert nicht durch blindes Ausprobieren, sondern durch kontrollierte Erfahrung: beobachten, speichern, vergleichen, im Shadow Mode prüfen und erst nach klaren Gates handeln.
Kurz gesagt:
AION lernt nicht, weil wir ihm erlauben, alles zu tun. AION lernt, weil wir ihm beibringen, erst zu verstehen, was es nicht tun sollte.