Wie Roboter das Laufen auf dem Mars lernen – in der Wüste

Inhaltsverzeichnis

Mars-Terrain unter der Lupe: Warum Laufen auf dem roten Planeten so komplex ist

Der Untergrund des Mars besteht aus losem Regolith: einem Gemisch aus scharfkantigen, porösen Staubpartikeln, das wetterbedingt stark schwankt. Einige Stellen gleichen unbefestigten Böden, andere erinnern an Lawinenrückstände oder bröseligen Vulkansand. Für Radfahrzeuge bedeutet das: schnelles Eingraben, Traktionsverlust und manövrierhemmende Rückstände. 

Hinzu kommt die geringe Schwerkraft von nur rund 38 Prozent der Erdanziehungskraft. Roboter verlieren dadurch Gewicht, aber auch Stabilität bei der Fortbewegung. Insbesondere beim Laufen, Springen oder Drehen können minimale Gleichgewichtsverschiebungen kritische Kettenreaktionen auslösen. 

Zudem erschwert die dünne Marsatmosphäre jede aerodynamische Steuerung. Dämpfungseffekte, wie sie auf der Erde durch Luftwiderstand wirken, fallen deutlich geringer aus – was die Bewegung instabiler macht. Diese Faktoren machen klar: Fortbewegung auf dem Mars ist kein simples Problem mechanischer Konstruktion, sondern eine Frage smarter, selbstadaptierender Systeme. 

Die Wüste von New Mexico: Ein planetarisches Testfeld auf der Erde

In der Nähe des White Sands National Park wurde ein ungewöhnliches Forschungslabor errichtet. Aufgrund seiner feinen Gipsdünen, thermischer Extreme und konstanter Windverschiebungen ist das Gebiet ideal für Tests in gesellschaften Mars-Analogumgebungen. 

Wie auf dem Mars bewegt sich dort der Boden: Er fließt, verhakt sich und bricht partiell ein. Die Sandkörnchen ähneln dem Marsregolith in Größe, Verhalten und Plastizität. Das macht sie zum perfekten Übungsfeld für die Entwicklung laufender Roboter. 

Dabei entscheiden die Forschenden nicht nur situativ: Die Umgebung wurde bewusst als experimentelle Analogie des Mars ausgewählt – vergleichbar mit früheren Rover-Tests in der Mojave-Wüste. Die Kombination aus verfügbarer Infrastruktur und naturnaher Unberechenbarkeit macht New Mexico damit zu einem planetary robotics playground. 

Robophysics trifft Machine Learning: Laufen lernen wie ein Organismus

Das Forschungsteam um Daniel I. Goldman von der Georgia Tech nennt sein Arbeitsfeld „Robophysics“: Es verknüpft Bewegungsanalyse, Maschinenphysik, Biomechanik und künstliche Intelligenz. Ziel ist nicht nur die Optimierung von Hardware, sondern ein tiefes Verständnis der Wechselwirkung zwischen Roboter und Umgebung. 

Ein Resultat dieser Arbeit ist „SandBot“ – ein sechsgliedriges Laufwesen mit konfigurierbaren Gangarten. Die verschiedenen Bewegungsmuster werden auf Reaktion und Effizienz getestet. So entsteht schrittweise ein Repertoire geeigneter Gangprofile für instabile Sand-Settings. 

Der Clou liegt im Lernen aus Erfahrung: Sensoren und AI-gestützte Systeme erfassen Bodenkontakt, Schlupf, Neigungswinkel, Kraft-Einwirkung und Energieverbrauch. Daraus werden Fortbewegungsmuster abgeleitet, angepasst und generalisiert. Simulation und Realität greifen ineinander – auch durch „Sim2Real“-Transferprojekte wie LEGO Locomotion. 

Drei Schlüsselelemente der Methode:

• Sensorisch vernetzte Hardware mit modular anpassbarer Mechanik 

• KI-gestützte Bewegungsauswertung (z. B. mittels Reinforcement Learning) 

• Physikalische Simulationsumgebungen, um Generalisierung zu trainieren 

Vergleich Mars vs. Testfeld New Mexico

Merkmal	Mars	New Mexico Testgebiet
Gesteinsart	Basaltische Regolith-Mischungen	Gips-Feinsand mit Scherkräften
Schwerkraft	38 % der Erdanziehung	Vollastraining mit Anpassung
Temperaturschwankung	-125 °C bis 20 °C	-5 °C bis 45 °C
Luftdichte	ca. 0,6 % der irdischen	Erdstandard, aber trocken
Begehbarkeit	variabel (Krater, Dünen)	kontrolliert segmentierbar

Kooperationsnetzwerke: Georgia Tech, NASA und JPL

Die Ergebnisse aus New Mexico fließen direkt in kooperative Projekte mit dem NASA Jet Propulsion Laboratory ein. Gemeinsam wird an neuen Mobilitätsplattformen für den planetaren Einsatz gearbeitet – darunter am quadrupedalen „NeBula Spot“-System. 

Diese Laufroboter sollen Gebiete erkunden, die klassische Rover nicht erreichen: Kraterwände, Lavakanäle oder potenzielle Astrobiologie-Zonen. KI sorgt dabei nicht nur für das Verstehen des Bodens, sondern auch für adaptives Verhalten in Risikosituationen – etwa bei abrupten Hangauslenkungen. 

Zukunftsgerichtete Implementierungen beinhalten: 

• Risikomustererkennung mittels Deep Learning 

• Kombination von LIDAR, Thermal Imaging und autonomer Navigation 

• Speicherung adaptiver Bewegungsmuster in Echtzeit-Datenbanken 

Anwendung über den Mars hinaus

Vier Felder, die von dieser Forschung profitieren:

1. Such- und Rettungseinsätze in Erdbeben-, Lawinen- und Minenregionen 

2. Tiefenforschung in schwer zugänglichen Naturarealen (z. B. Höhlen, Polarregionen) 

3. Planetare Astrobiologie, um Hinweise auf mikrobielles Leben zu suchen 

4. Infrastrukturaufbau im All: autonome Roboter, die Pipelines, Solarfelder oder Habitat-Fundamente errichten 

Die robuste KI-Steuerung selbstadaptiver Laufroboter stellt einen technologiepolitischen Meilenstein dar – sowohl im All als auch auf der Erde. 

Fazit: Smartes Gehen für smarte Missionen

Die Fähigkeit von Robotern, sich auf unberechenbarem Terrain selbstständig fortzubewegen und dabei aus ihren Fehlern zu lernen, ist kein optionales Feature, sondern eine Voraussetzung für planetare Exploration. Die Feldforschung in New Mexico verdeutlicht, wie durch physikalisch fundierte Experimente und gezielte KI-Modellierung Roboter auf hochdynamische Umgebungen vorbereitet werden können. 

Was dabei entsteht, reicht weit über das Gehen im Sand hinaus: Es sind lernfähige, robuste Systeme, die komplexe Naturerscheinungen nicht nur überstehen, sondern intelligent nutzen. Die nächste Generation Mars-Roboter wird laufen – und ihren ersten Schritt hat sie dort gemacht, wo wir feinen Sand durch unsere Finger rieseln lassen: in der Wüste von New Mexico.