Forschende haben „action-conditioned latent foresight“ vorgestellt: ein System, mit dem ein humanoider Roboter geplante Bewegungs- und Handbefehlsfolgen bewerten kann, bevor er sie ausführt. Es sagt voraus, ob eine Befehlsfolge dem Erreichen des Aufgabenziels näherkommt. Anschließend führt der Roboter einen Teil der am besten bewerteten Folge aus und plant auf Basis einer neuen Beobachtung weiter.
In Tests der Forschenden war das System unter Standardbedingungen bei sieben Aufgaben mit einem echten Roboter zu 85,7 Prozent erfolgreich, gegenüber 70,0 Prozent bei GR00T N1.7. Bei zuvor unbekannten Objektanordnungen sank die Erfolgsquote auf 65,7 Prozent; bei GR00T N1.7 lag sie bei 48,6 Prozent.
Warum es wichtig ist
Für Forschende, die die Leistung humanoider Roboter bei Aufgaben untersuchen, deuten die Ergebnisse darauf hin, dass die Vorschau auf Befehlsfolgen hilfreich sein kann. Die niedrigere Erfolgsquote bei ungewohnten Anordnungen zeigt jedoch, dass die Leistung weiterhin von der Platzierung der Objekte abhängt.
