Forschende stellen LEXP vor, ein System, mit dem ein Roboter aus früheren Versuchen bei Manipulationsaufgaben lernt. Es verbindet die Aufgabenplanung mit einem Modul, das Hinweise aus der Ausführung auswertet, Lehren samt Bedingungen für ihre Anwendbarkeit speichert und passende Hinweise in spätere Aktionen einfließen lässt. Die Modellgewichte und die Aktionsschnittstelle bleiben unverändert.
In Tests der Forschenden mit 12 realen Aufgaben war LEXP in 23 von 36 Versuchen erfolgreich (63,9%). Mit einem reinen Gedächtnismodul waren es 19 von 36 (52,8%), mit dem Basismodell ChatGPT-6-Astra 2 von 36 (5,6%). Dabei handelt es sich um die im Paper berichteten Ergebnisse, nicht um eine unabhängige Bewertung.
Warum es wichtig ist
Für die Robotikforschung legen die Ergebnisse nahe, dass gespeicherte aufgabenspezifische Erfahrungen die Leistung eines unveränderten Modells bei wiederholten physischen Versuchen verbessern können. Wie gut sich der Ansatz auf andere Aufgaben übertragen lässt, ist jedoch noch offen.
