Mit dieser Technik werden Roboter intelligenter

Roboter lernen aus verschiedenen Datenquellen

Forschende des MIT haben eine Technik entwickelt, die Robotikdaten aus unterschiedlichen Quellen mittels generativer KI kombiniert. Diese Trainingsmethode ermöglicht es Robotern, Werkzeuge wie Hammer, Schraubenzieher und Spachtel effektiver zu nutzen. Die Leistung der Roboter verbesserte sich dadurch um 20 Prozent.

Herausforderungen bei der Robotik

Moderne Roboter müssen vielseitig sein und schnell neue Aufgaben erlernen. Dazu benötigen sie umfangreiche Trainingsdaten. Da die vorhandenen Datensätze sehr unterschiedlich sind, erschwert dies das gezielte Training. Viele Methoden nutzen nur wenige Datenarten, was dazu führt, dass Roboter spezifische Aufgaben gut bewältigen, aber bei neuen Herausforderungen oft scheitern.

Diffusionsmodelle und Policy Composition

Das MIT-Team setzt auf Diffusionsmodelle, eine Form von generativer KI. Für jeden Datensatz wird ein separates Modell trainiert, das eine Strategie für eine bestimmte Aufgabe lernt. Diese Einzelstrategien werden anschließend zu einer Gesamtstrategie kombiniert, wodurch die Roboter in verschiedenen Umgebungen effektiv arbeiten können.

Verbesserte Leistung durch kombinierte Strategien

Die Forschenden nennen ihren Ansatz „Policy Composition“ (PoCo). Die einzelnen Diffusionsmodelle werden gewichtet, kombiniert und iterativ verfeinert. Dadurch erreichen die Roboter bessere Ergebnisse bei Aufgaben wie dem Einschlagen von Nägeln oder dem Umdrehen von Objekten mit einem Spachtel. PoCo verbesserte die Leistung der Roboter im Vergleich zu herkömmlichen Methoden um 20 Prozent.

Zukünftige Anwendungen

Die Wissenschaftler planen, ihre Technik auf komplexere Aufgaben mit wechselnden Werkzeugen anzuwenden und noch größere Datensätze einzubeziehen. PoCo wird als wichtiger Schritt betrachtet, um die Effektivität der Robotik durch die Nutzung verschiedener Datenquellen zu steigern.