Mensch-Maschine-Interaktion braucht ein Bewegungsvokabular
Verkörperte KI und Robotik brauchen mehr als Trajektorien und Koordinaten; sie brauchen Bewegungsdesign, das Menschen verstehen und dem sie vertrauen können.
Mensch-Maschine-Interaktion braucht ein Bewegungsvokabular
Die meisten Robotik- und KI-Produktteams beschreiben Bewegung technisch: Position, Geschwindigkeit, Beschleunigung, Trajektorie, Gelenke, Constraints, Steuerungspolitiken, Sensorfeedback. Das ist notwendig, aber für Mensch-Maschine-Interaktion nicht ausreichend. Making Meaning with Machines von Amy LaViers und Catherine Maguire argumentiert – ausgehend von Titel, Inhaltsverzeichnis und Vorwort – für ein reichhaltigeres Vokabular, das in Somatik, Choreografie, Notation und Laban/Bartenieff-Bewegungsstudien verankert ist.
Die Produktrelevanz ist unmittelbar. Maschinen bewegen sich zunehmend in menschlichen Umgebungen: kollaborative Roboter, autonome Fahrzeuge, Lagerroboter, chirurgische Systeme, Rehabilitationsgeräte, Drohnen, Serviceroboter und verkörperte KI-Agenten. Ihre Bewegung ist nicht nur mechanisch. Sie wird von Menschen wahrgenommen, interpretiert und als vertrauenswürdig oder bedrohlich erlebt.
LaViers’ Vorwort beschreibt die Grenzen, menschliche Bewegung als Sequenzen statischer Posen oder Motion-Capture-Koordinaten darzustellen. Anfangs versuchte sie, Bewegungsqualität mit wenigen Variablen zu quantifizieren, erkannte später aber die Reichhaltigkeit menschlicher Bewegung und die Grenzen rein quantitativer Modelle. Das ist eine Warnung an Produktteams, die Bewegungsdaten für selbsterklärend halten.
Das BESST-System des Buches bietet eine nützliche Designlinse: Body, Space, Time, Shape und Effort. Produktteams können daraus praktische Fragen ableiten. Body: Welche Teile der Maschine oder des Menschen bewegen sich, und wie sind sie verbunden? Space: Wo findet Bewegung relativ zu Menschen und Objekten statt? Time: Welcher Rhythmus, welche Geschwindigkeit und Sequenz werden wahrgenommen? Shape: Wie verhält sich Bewegung zur Umgebung und zu anderen? Effort: Welche Qualität vermittelt die Bewegung – direkt, leicht, stark, zögerlich, plötzlich, anhaltend?
Dieses Vokabular kann Anforderungen, Prototyping, Nutzertests und Sicherheitsanalysen verbessern. Ein Cobot kann formale Sicherheitstests bestehen und Mitarbeitende trotzdem verunsichern, wenn seine Bewegung abrupt oder unlesbar ist. Ein autonomes Fahrzeug kann korrekt anhalten und dennoch seine Absicht gegenüber Fußgängern nicht kommunizieren. Ein Pflegeroboter kann eine Aufgabe erfüllen und sich dennoch unpersönlich oder invasiv anfühlen, wenn Timing und räumliche Annäherung schlecht gestaltet sind.
Das Inhaltsverzeichnis betont auch Notation und symbolische Repräsentation. Das zählt, weil Produktteams Wege brauchen, Bewegung über Disziplinen hinweg zu besprechen. Ingenieure, Designer, Kliniker, Tänzer und Nutzer können nicht wirksam zusammenarbeiten, wenn Bewegung nur als Code oder nur als Gefühl beschrieben wird. Eine gemeinsame Notation kann zur Brücke werden.
Für OzyCore legt das ein Produktisierungsprinzip nahe: Verkörperte KI braucht verkörperte UX. Mensch-Maschine-Interaktion sollte Bewegungsaudits, Bewegungsprototypen, qualitative Beobachtung, Expertenannotation und Tests der Nutzerwahrnehmung enthalten. Metriken sollten nicht nur Aufgabenerfüllung und Kollisionsvermeidung messen, sondern auch Lesbarkeit, Komfort, wahrgenommene Intention und Kontextangemessenheit.
Das Buch verweist außerdem auf bessere Datensätze. Wenn Bewegungsclips nur nach Koordinaten gelabelt sind, lernen Modelle Geometrie. Wenn sie mit fachlichen Bewegungskonzepten annotiert werden, können Modelle ausdrucksstärkeres und sozial bewussteres Verhalten unterstützen.
Die nächste Robotikwelle wird nicht nur durch mechanische Fähigkeit definiert. Entscheidend wird sein, ob Maschinen sich so bewegen können, dass Menschen sie verstehen.