Forschende haben PhysEvo vorgestellt: ein System, das ein unverändertes Robotermodell in eine Schleife aus Selbstdiagnose und Überarbeitung von Werkzeugen einbindet. Ein Aufgabenagent steuert den Roboter. Anschließend untersucht ein Meta-Agent, was schiefgelaufen ist, überarbeitet Werkzeuge oder Fähigkeiten und testet die Verbesserungen. Dabei kann die Schleife auch die Diagnosemethoden des Meta-Agenten selbst verbessern. So summieren sich die Fortschritte, ohne dass die Gewichte des zugrunde liegenden Modells verändert werden.
Wie gut funktioniert es?
Im RoboDojo-Benchmark wurde PhysEvo mit 42 Aufgaben und zuvor unbekannten Anordnungen getestet. Die beibehaltenen Versionen des Agenten erzielten durchschnittlich 68.14 von 100 Punkten und waren bei 62 % der Aufgaben erfolgreich. Der beste veröffentlichte Astra-Agent für einen einzelnen Durchlauf, RoboDawn, schaffte bei denselben Aufgaben 47.17 %. Bei acht besonders schwierigen Manipulationsaufgaben erreichte PhysEvo eine Erfolgsquote von 55 %, während der direkte Astra-Baseline-Agent nur auf 1.25 % kam.
Von der Simulation zum echten Roboter
Das Team übertrug das in der Simulation weiterentwickelte Steuerungssystem auf einen AgileX PiPER und überarbeitete die Fähigkeiten des Roboters anschließend weiter an der Hardware. Bei fünf Aufgaben in der realen Welt und 25 Durchläufen erzielte der Roboter durchschnittlich 90.60 Punkte und eine Erfolgsquote von 84 %.
Warum es wichtig ist
Für Entwickler von Robotern zeigt PhysEvo, dass sich ein einzelnes statisches KI-Modell ohne kostspieliges Nachtraining leistungsfähiger machen lässt – das spart Rechenzeit und Daten. Zudem deutet das System darauf hin, dass sich bestehende Roboter durch eine ähnliche Selbstdiagnoseschleife aufrüsten und länger nutzen lassen. Unabhängige Bestätigungen der Ergebnisse unter realen Bedingungen stehen noch aus.
