Agility Robotics eröffnet neuen Standort in unmittelbarer Nähe zu Tesla
Das Unternehmen Agility Robotics etabliert ein neues Trainingszentrum für seine humanoiden Digit-Roboter in Fremont, Kalifornien. Durch die Ansiedlung in direkter Nachbarschaft zu bedeutenden Produktionsstätten der Automobilindustrie unterstreicht das Unternehmen seine Ambitionen im Bereich der industriellen Robotik. Der neue Standort dient primär der Weiterentwicklung und dem Training der Systeme, um die Integration von Robotern in logistische und industrielle Arbeitsumgebungen weiter voranzutreiben.
Erstes Hardware-Gerät von OpenAI soll ein beweglicher, bildschirmfreier Lautsprecher sein
Das geplante Hardware-Produkt von OpenAI wird als bildschirmfreier Lautsprecher beschrieben, der über mechanische Elemente verfügt, die sich eigenständig bewegen können. Ziel des Konzepts ist es, eine physische Verkörperung von ChatGPT zu schaffen, die als persönlicher Begleiter fungiert. Durch die mechanische Beweglichkeit soll das Gerät eine neue Form der Interaktion ermöglichen, die über rein digitale Schnittstellen hinausgeht und eine physische Präsenz im Alltag des Nutzers etabliert.
Ein von Eric Trump unterstütztes Robotik-Unternehmen bereitet seine humanoiden Roboter auf militärische Einsätze vor
Das Unternehmen Foundation Future Industries entwickelt derzeit humanoide Roboter, die für militärische Zwecke eingesetzt werden sollen. Die Geschäftsführung bestätigt, dass aktiv an kinetischen Anwendungen gearbeitet wird, um die Maschinen für den Einsatz in Konfliktsituationen zu rüsten. Damit bewegt sich das Unternehmen in den Bereich der autonomen Waffensysteme und der militärischen Robotik, wobei die strategische Ausrichtung auf eine direkte Beteiligung an Verteidigungsoperationen abzielt.
Roboterhunde, Teslas und Rettungshubschrauber: Der KI-Gipfel der Vereinten Nationen
Auf dem AI for Good-Gipfel der Vereinten Nationen standen neben technologischen Vorführungen von Robotern und autonomen Fahrzeugen vor allem die drängenden Fragen der globalen Regulierung im Mittelpunkt. Experten diskutierten intensiv darüber, wie internationale Governance-Strukturen mit der rasanten Entwicklung künstlicher Intelligenz Schritt halten können. Ziel ist es, sicherzustellen, dass die technologischen Fortschritte kontrollierbar bleiben und ethische Standards gewahrt werden, bevor die Entwicklung die bes
SKooP: Symmetrische Koopman-Vorhersagen für effizientere Roboter-Fortbewegung mittels Reinforcement Learning
Die neue Methode SKooP kombiniert morphologische Symmetrien mit Koopman-Modellen, um das Reinforcement Learning für komplexe, hochdimensionale Roboter zu beschleunigen. Durch die Integration von physikalischen Vorwissen und Symmetrien in die Netzwerkarchitektur werden präzisere Vorhersagen über die Systemdynamik getroffen, die als privilegierte Beobachtungen das Training stabilisieren. Dies führt zu einer effizienteren Lernkurve und einer verbesserten Übertragbarkeit der Bewegungsstrategien auf unterschiedliche Umg
Adversarial Dynamics Priors für physikalisch fundierte humanoide Fortbewegung
Die neue Methode Adversarial Dynamics Priors (ADP) verbessert die Stabilität und Widerstandsfähigkeit humanoider Roboter bei Störungen. Im Gegensatz zu herkömmlichen Ansätzen, die primär kinematische Merkmale imitieren, reguliert ADP gezielt dynamische Eigenschaften wie den Schwerpunkt, den Drehimpuls sowie Kontaktkräfte. Durch den Einsatz von Trajektorienoptimierung und einem diskriminativen Trainingsansatz lernen die Roboter, physikalisch konsistente Bewegungsmuster beizubehalten. In Tests übertraf das Verfahren
Reine Bewegungsdaten reichen nicht für plausible Gangbiomechanik aus
Die Nachahmung menschlicher Bewegungsdaten durch Imitationslernen stößt bei der Rekonstruktion biomechanischer Gelenkmomente an ihre Grenzen. Während rein bewegungsbasierte Modelle zwar die Kinematik präzise erfassen, scheitern sie bei der korrekten Schätzung physikalischer Kräfte wie Bodenreaktionskräften und Druckpunkten. Erst die explizite Einbeziehung kinetischer Informationen in den Lernprozess ermöglicht eine biomechanisch konsistente Modellierung des menschlichen Gangs. Ohne diese Erweiterung drohen bei der
Grow-Prune-Freeze-Netzwerke: Adaptive und kontinuierliche Lernmethode für die olfaktorische Navigation
Die olfaktorische Navigation stellt aufgrund ihrer dynamischen und nicht-stationären Natur eine Herausforderung für die Robotik dar. Das neu entwickelte Grow-Prune-Freeze-Framework ermöglicht es Agenten, durch das gezielte Wachsen, Beschneiden und Einfrieren von Netzwerkschichten kontinuierlich zu lernen und sich an die Komplexität der Umgebung anzupassen. Basierend auf der Theorie nicht-linearer Zufallsmatrizen zeigt das Modell eine hohe Stabilität bei der Navigation durch turbulente Strömungen. Die Methode erweis
RoboTTT: Kontext-Skalierung für Roboter-Richtlinien
RoboTTT führt ein neues Trainingsverfahren für Roboter-Modelle ein, das den visuomotorischen Kontext auf 8.000 Zeitschritte erweitert, ohne die Latenz bei der Inferenz zu erhöhen. Durch die Integration von Test-Time-Training in Vision-Language-Action-Modelle werden historische Daten in Form von schnellen Gewichten komprimiert, was eine verbesserte Leistung bei komplexen, mehrstufigen Aufgaben ermöglicht. Das System erlaubt zudem das Imitationslernen aus menschlichen Videodemonstrationen in Echtzeit sowie eine höher
DriftWorld: Beschleunigte Weltmodellierung durch Drifting-Verfahren
DriftWorld ist ein neues aktionskonditioniertes Weltmodell für die Robotik, das die Effizienz bei der Vorhersage zukünftiger Zustände signifikant steigert. Im Gegensatz zu herkömmlichen Diffusionsmodellen, die iterative Denoising-Schritte erfordern, nutzt DriftWorld einen gelernten Drift-Prozess. Dies ermöglicht die Generierung von Zukunftsszenarien in einem einzigen Vorwärtsdurchlauf mit über 30 Bildern pro Sekunde, was die Rechengeschwindigkeit im Vergleich zu bisherigen Ansätzen um den Faktor 17 erhöht. Das Mode
Verbesserung der Robustheit von World Action Models durch mechanistische Interpretierbarkeit und optimale Steuerung
World Action Models ermöglichen eine semantisch und physikalisch fundierte Steuerung, sind jedoch anfällig für Verschiebungen in der Datenverteilung. Durch den Einsatz mechanistischer Interpretierbarkeit lässt sich analysieren, wie robuste Merkmale im Aktivierungsraum repräsentiert werden. Dies ermöglicht eine effiziente, trainingsfreie Steuerung mittels kontrastiver Aktivierungsrichtungen. Zudem erlaubt die lokale Linearität der Aktivierungsdynamik die Anwendung einer modellbasierten optimalen Steuerung, wodurch d
Multimodalität als Supervision: Selbstüberwachte Spezialisierung auf Testumgebungen
Das Konzept der Test-Space Training (TST) Methode nutzt multimodale Sensordaten direkt aus der Zielumgebung, um KI-Modelle ohne externe Internet-Datensätze zu trainieren. Durch die Vorhersage einer Modalität aus einer anderen lernen die Systeme Repräsentationen, die in spezifischen Umgebungen mit etablierten Generalisten-Modellen wie DINOv2 oder CLIP konkurrieren können. Dieser Ansatz zeigt, dass eine gezielte Nutzung von Sensordaten die Abhängigkeit von riesigen, externen Trainingsdatenmengen verringern kann. Die
ConFlow: Constraints-Guided Learning mit Flow Matching für die Bewegungsgenerierung
ConFlow ist ein neues Framework für die robotergestützte Bewegungsgenerierung, das Einschränkungen direkt in den Trainingsprozess integriert. Anstatt komplexe Anforderungen erst während der Inferenz zu erzwingen, nutzt das Modell differenzierbare Barriere- oder Kostenfunktionen, um Informationen über Einschränkungen bereits beim Training zu berücksichtigen. Zudem ersetzt ein konditionaler Gauß-Prozess die standardmäßige Gauß-Verteilung, um Anforderungen wie Glattheit und Randbedingungen besser zu erfüllen. Durch di
DiMaS: Verteilungsabgleich zur Steuerung von Vision-Language-Action-Modellen
Die präzise Steuerung von Robotern durch Vision-Language-Action-Modelle stellt eine Herausforderung dar, da klassische Methoden zur Repräsentationssteuerung bei diesen Modellen oft versagen. Mit DiMaS wurde ein neuer Ansatz entwickelt, der auf dem Prinzip des Verteilungsabgleichs basiert, anstatt lediglich lineare Richtungen in den internen Repräsentationen zu verschieben. Diese Methode ermöglicht eine effektive Verhaltenssteuerung bei modernen Robotik-Modellen. Die Untersuchung zeigt zudem auf, unter welchen Bedin
Optimierung von Vision-Language-Action-Modellen durch reaktive Kraftinjektion
Das neue Framework LIFT verbessert die Leistungsfähigkeit von vortrainierten Vision-Language-Action-Modellen bei komplexen Manipulationsaufgaben. Durch die Integration von reaktiven Kraftdaten in den Aktionsprozess können Roboter auch bei verdeckten Sichtverhältnissen oder ungenauen Tiefeninformationen präziser agieren. Das System kombiniert eine reaktive Expertenkomponente mit einem Online-Lernverfahren, das auf einer Mischung aus Offline-Daten und menschlichen Korrekturen basiert. In praktischen Tests zeigte sich
BadWAM: Wenn World-Action-Modelle korrekt träumen, aber falsch handeln
World-Action-Modelle koppeln die Aktionsgenerierung mit der Vorhersage zukünftiger Weltzustände, was eigentlich die Sicherheit und Interpretierbarkeit von Robotern erhöhen soll. Die Untersuchung zeigt jedoch, dass diese Modelle anfällig für gezielte Störangriffe sind, bei denen minimale visuelle Veränderungen die Synchronisation zwischen Vorstellung und Ausführung unterbrechen. Das vorgestellte Framework BadWAM demonstriert, wie Angreifer entweder die Aufgabenbewältigung direkt stören oder durch unauffällige Manipu
Aktive, faktorbasierte Evaluierung für allgemeine Roboter-Steuerungsmodelle in realen Umgebungen
Die Bewertung von KI-gestützten Roboter-Steuerungsmodellen stellt aufgrund der enormen Vielfalt an realen Einsatzbedingungen eine Herausforderung dar. Ein neuer Ansatz nutzt ein aktives Evaluierungsframework, das die Leistungsfähigkeit der Modelle durch ein probabilistisches Ersatzmodell systematisch analysiert. Anstatt zufällige Tests durchzuführen, wählt das System adaptiv Konfigurationen aus, um den Informationsgewinn zu maximieren und Fehlerquellen effizient zu identifizieren. Dies ermöglicht eine präzisere Ein
Die Lücke schließen: Potenziale und Herausforderungen hierarchischer Planung in LeWorldModel
Die Untersuchung analysiert den Einsatz zeitlicher Hierarchien zur Verbesserung von LeWorldModel bei der zielorientierten Steuerung über lange Zeiträume. Durch die Einführung von Hi-LeWM, das ein vortrainiertes Modell um eine Planungsebene für latente Unterziele ergänzt, zeigt sich, dass Hierarchien nicht automatisch zu einer Leistungssteigerung führen. Die Ergebnisse verdeutlichen, dass die Generierung dieser Unterziele der entscheidende Engpass ist. Erst durch eine gezielte Einschränkung der Suche auf bekannte Ma
CaLiSym: Lernen symplektischer Dynamik realer Systeme durch strukturierte kanonische Lifts
Das neue Framework CaLiSym erweitert das physikalisch informierte maschinelle Lernen auf komplexe, nicht-konservative Systeme wie Roboter, die Energie mit ihrer Umgebung austauschen. Anstatt die geometrische Struktur direkt auf den gemessenen Zustand anzuwenden, bettet das Verfahren diesen in einen erweiterten Phasenraum ein, in dem die Dynamik einer symplektischen Abbildung folgt. Dieser algebraische Ansatz benötigt keine komplexen latenten Zustände oder aufwendige numerische Integration. In Tests mit Quadrotoren
Autonome Videogenerierung mit kontrafaktischer Steuerbarkeit für selbstlernende Weltmodelle
Die Entwicklung von Weltmodellen erfordert über die reine visuelle Plausibilität hinaus die Fähigkeit zur aktiven Interaktion mit der Umgebung. Ein neuer Ansatz definiert autonome Videogenerierung durch kontrafaktische Steuerbarkeit, bei der generierte Zukunftsszenarien an körperliche Einschränkungen gebunden und unter veränderten Bedingungen verifiziert werden. Durch einen vierstufigen Prozess aus Generierung, Bindung, Verifizierung und Destillation wird sichergestellt, dass die Modelle nicht nur realistische Bild
Taktile Modalitätsfusion für Vision-Language-Action-Modelle
Das neue Verfahren TacFiLM ermöglicht die Integration von visuellen und taktilen Signalen in Vision-Language-Action-Modelle für die Robotik. Während bisherige Ansätze primär auf visueller Wahrnehmung basieren, adressiert diese Methode die Herausforderungen bei kontaktintensiven Manipulationen, bei denen Faktoren wie Reibung und Kontaktkräfte entscheidend sind. Durch den Einsatz von Feature-wise Linear Modulation werden vortrainierte taktile Repräsentationen effizient in bestehende visuelle Merkmale eingebettet. Exp
Vortraining in Actor-Critic Reinforcement Learning für Roboter-Fortbewegung
Ein neues Verfahren verbessert das Training von Robotern durch die Nutzung von vortrainierten neuronalen Netzen. Anstatt Bewegungsabläufe für jede Aufgabe von Grund auf neu zu erlernen, wird ein Modell zunächst mit explorativen Daten trainiert, um allgemeine physikalische Zusammenhänge zu erfassen. Diese vortrainierten Gewichte dienen anschließend als Basis für klassische Actor-Critic-Algorithmen wie PPO. In umfangreichen Tests mit verschiedenen Robotertypen führte dieser Ansatz zu einer durchschnittlichen Steigeru
Warp RL: Anpassung von Basis-Richtlinienverteilungen für dynamische Umgebungen
Warp RL ist eine neue Methode zur Anpassung von Roboter-Richtlinien, die über herkömmliche additive Korrekturen hinausgeht. Während bisherige Ansätze lediglich Verschiebungen der Aktionsverteilung erlauben, nutzt Warp RL invertierbare, zustandsabhängige Transformationen, um die Form und Skalierung der Verteilung präzise anzupassen. Durch den Einsatz von rational-quadratischen Spline-Flüssen ermöglicht das Verfahren eine flexiblere Korrektur bei dynamischen Veränderungen. In Versuchen mit Manipulationsaufgaben und s
Agile und wahrnehmungsbasierte Fortbewegung für vierbeinige Roboter im Gelände
Ein neues Framework namens APT-RL ermöglicht vierbeinigen Robotern die autonome Fortbewegung in komplexen Außen- und Innenumgebungen. Durch den Einsatz von vortrainierten Transformern und Reinforcement Learning werden verschiedene motorische Fähigkeiten erlernt, die ein nahtloses Umschalten zwischen Gangarten erlauben. Das System nutzt ausschließlich Onboard-Sensoren und Rechenleistung, um Hindernisse wie Treppen, Lücken oder unebenes Terrain bei Geschwindigkeiten von bis zu 6 Metern pro Sekunde sicher zu überwinde
Strömungsbewusste optimale Navigation in instabilen Strömungen mittels Reinforcement Learning
Die autonome Navigation in zeitlich veränderlichen Strömungen stellt eine Herausforderung dar, da klassische Kontrollsysteme oft auf unrealistischem Vorwissen basieren. Ein neuer Ansatz nutzt den TD3-Algorithmus, um Agenten in chaotischen Strömungsumgebungen durch bio-inspirierte Sensorstrategien zu trainieren. Die Ergebnisse zeigen, dass Agenten, die lokale Geschwindigkeitsmessungen erfassen und speichern, eine höhere Leistung erzielen als solche mit globalen Strömungsparametern. Während Geschwindigkeitsdaten die
Topologie-unabhängige Netzrekonstruktion verformbarer Objekte durch spärliche Tastdaten
Die Rekonstruktion der vollständigen Form verformbarer Objekte ohne visuelle Informationen stellt eine Herausforderung dar, da taktile Daten meist nur punktuell vorliegen. Ein neuer Ansatz nutzt eine permutationsinvariante Cross-Attention-Architektur, um aus wenigen Berührungspunkten präzise 3D-Netze für verschiedene Objektstrukturen wie Seile, Stoffe oder volumetrische Körper zu erstellen. Das Modell übertrifft herkömmliche geometrische Verfahren deutlich. Zudem ermöglicht die Quantifizierung der Modellunsicherhei
Deformierbare Zustandsschätzung für die autonome chirurgische Geweberetraktion unter partieller Beobachtbarkeit
Die chirurgische Geweberetraktion erfordert eine präzise Manipulationsplanung trotz unvollständiger und verrauschter Sensordaten. Ein neu entwickelter lernfähiger Zustandsschätzer rekonstruiert den vollständigen Zustand eines deformierbaren Gewebenetzes aus lediglich 40 verrauschten Oberflächenpunkten. Durch die Kombination eines mehrschichtigen Perzeptrons mit einer niedrigdimensionalen PCA-Repräsentation und geometrieorientierter Regularisierung entstehen physikalisch plausible Verformungsmodelle. In Simulationen
Anpassung von Generalisten-Modellen für die Hochgeschwindigkeits-Fahrzeugsteuerung in unwegsamem Gelände
Die autonome Steuerung von Geländefahrzeugen bei hohen Geschwindigkeiten erfordert eine präzise Regelung, die robust gegenüber wechselnden Bodenbeschaffenheiten bleibt. Ein neuer Ansatz namens OptCar ermöglicht die effiziente Spezialisierung von vortrainierten allgemeinen Dynamikmodellen auf spezifische Fahrzeugplattformen. Durch ein historienbasiertes Modul zur Dynamikanpassung und die Kombination aus wenigen realen Daten mit gezielten synthetischen Simulationen verbessert das System die Trajektorienverfolgung sig
Aktives Lernen zur effizienten Annotation chirurgischer Videos durch schwache Überwachung
Die präzise räumlich-zeitliche Annotation laparoskopischer Videos ist zeitaufwendig und erfordert Expertenwissen. Ein neues Framework kombiniert aktives Lernen mit einer dualen Verlustoptimierung, um den Annotationsaufwand für die automatische Lokalisierung und Segmentierung chirurgischer Instrumente um 50 Prozent zu senken. Dabei werden Foundation-Modelle genutzt, um zeitlich konsistente Aktivierungskarten zu erstellen, die iterativ durch menschliches Feedback verfeinert werden. Dieser Ansatz macht umfangreiche, v
HRIBench: Ein Benchmark für interaktionszentrierte Mensch-Roboter-Kollaboration
HRIBench wurde entwickelt, um die Lücke bei der Bewertung von Mensch-Roboter-Interaktionen zu schließen, da bisherige Benchmarks primär isolierte Manipulationsfähigkeiten fokussieren. Das System modelliert kollaborative Aufgaben durch strukturierte Szenarioskripte, die Rollenverteilungen, zeitliche Abhängigkeiten und menschliches Verhalten berücksichtigen. Mit 13 rollenbasierten Aufgaben und über 650 Episoden ermöglicht es eine detaillierte Analyse von Koordination, Reaktionsfähigkeit und Sicherheit. Die Evaluation
Lyapunov-Exponenten als physikbasierte Belohnung für Reinforcement Learning
Ein neuer Ansatz nutzt den Lyapunov-Exponenten als dichtes Belohnungssignal für Reinforcement Learning, um komplexe physikalische Systeme zu stabilisieren. Am Beispiel eines invertierten Pendels mit vertikaler Bewegung zeigt sich, dass der Agent nicht nur das bekannte Kapitza-Pendel-Verhalten erlernt, sondern darüber hinaus eine aktive Dämpfung der Pendelbewegung erreicht. Dies ermöglicht eine präzise Stabilisierung in einer strikt aufrechten Position, was die Effektivität physikbasierter Belohnungsfunktionen für d
DAGR: Zustandsabhängige Zielrepräsentationen durch differenzbewusste Ziel-Cross-Attention
Das neue Verfahren DAGR optimiert die Zielkodierung im zielbasierten bestärkenden Lernen, indem es statische Einbettungen durch eine zustandsabhängige Komponente ergänzt. Durch den Einsatz einer mehrstufigen, gesteuerten Cross-Attention wird die aktuelle Zustandsinformation direkt in die Zielrepräsentation integriert, um Diskrepanzen zwischen dem Ist-Zustand und dem Ziel präziser abzubilden. Während das Verfahren bei Navigationsaufgaben deutliche Leistungssteigerungen zeigt, erweist es sich bei Manipulations- und P
Bedingte invertierbare neuronale Netze für die datengesteuerte Drohnensteuerung
Die Studie untersucht den Einsatz von bedingten invertierbaren neuronalen Netzen als probabilistische inverse Dynamikmodelle zur Steuerung von Multirotoren. Anhand eines planaren X8-Koaxial-Multikopters wurde ein Modell trainiert, das auf inkrementeller nichtlinearer dynamischer Inversion basiert. Die Ergebnisse zeigen eine hohe Genauigkeit bei der Reproduktion von Steuerungsdaten. In geschlossenen Regelkreisen erreichte das System eine vergleichbare Leistung wie klassische Methoden, wobei spezifische Fehlerquellen
Verteilungsrobustes und sicheres Imitationslernen
Das Imitationslernen erzielt bei komplexen Entscheidungsaufgaben beachtliche Erfolge, ist jedoch anfällig für Verteilungsverschiebungen, die Sicherheitsrisiken bergen können. Ein neuer Ansatz adressiert diese Problematik durch ein einheitliches Framework, das sowohl politikbedingte als auch unsicherheitsbedingte Verschiebungen berücksichtigt. Dabei wird die Taylor-Reihen-basierte Imitation mit verteilungsrobuster adaptiver Steuerung kombiniert, um die Leistung unter Unsicherheit zu optimieren und Sicherheitsvorgabe
SKooP: Symmetrische Koopman-Vorhersagen für effizientere und robustere Roboter-Fortbewegung mittels Reinforcement Learning
Die neue Methode SKooP optimiert das Reinforcement Learning für die Fortbewegung von Robotern, indem sie physikalische Gesetzmäßigkeiten durch Koopman-Modelle und morphologische Symmetrien integriert. Durch die Kombination von gelernten Systemdynamiken mit äquivarianten neuronalen Netzwerken können Agenten effizienter trainiert werden und zeigen eine verbesserte Generalisierbarkeit in unterschiedlichen Umgebungen. Die Anwendung führt zu einer schnelleren Konvergenz und höheren Belohnungswerten bei komplexen Aufgabe
APPLV: Adaptives Lernen von Planer-Parametern durch Vision-Language-Action-Modelle
Die autonome Navigation in stark eingeschränkten Umgebungen stellt mobile Roboter vor Herausforderungen, da klassische Ansätze manuelle Parameteranpassungen erfordern und End-to-End-Lernverfahren oft an Präzision mangeln. APPLV adressiert dieses Problem, indem es vortrainierte Vision-Language-Modelle nutzt, um die Parameter klassischer Navigationsplaner dynamisch vorherzusagen. Durch den Einsatz von überwachtem Lernen und Reinforcement Learning optimiert das System die Steuerung und verbessert die Generalisierungsf
TADPO: Reinforcement Learning für das Fahren im Gelände
Das autonome Fahren abseits befestigter Straßen stellt aufgrund unvorhersehbarer Geländeformen und komplexer Dynamiken eine große Herausforderung dar. Mit TADPO wurde ein neues Verfahren auf Basis von Reinforcement Learning entwickelt, das Proximal Policy Optimization erweitert, um durch eine Kombination aus Off-Policy-Lehrpfaden und On-Policy-Exploration effizientere Steuerungsstrategien zu erlernen. Das System ermöglicht ein visuelles, durchgängiges Lernen für Hochgeschwindigkeitsfahrten in schwierigem Terrain. D
Energieeffizientes Multi-Task-Reinforcement-Learning durch Spiking Neural Networks mit aktiven Dendriten
Die neue Methode MTSpark ermöglicht energieeffizientes Multi-Task-Reinforcement-Learning für KI-Agenten. Durch den Einsatz von Spiking Neural Networks, die mit aktiven Dendriten ausgestattet sind, können spezialisierte Teilnetzwerke dynamisch für verschiedene Aufgaben gebildet werden. Dies reduziert die bei herkömmlichen Ansätzen auftretende Aufgabeninterferenz und senkt den Energieverbrauch erheblich. In Tests erreichte das System bei verschiedenen Atari-Spielen eine hohe Leistungsfähigkeit, die nahezu menschliche
Direktionale Einschränkungen für effiziente Exploration im sicheren Reinforcement Learning
Die Implementierung von Reinforcement Learning in realen, dynamischen Umgebungen erfordert strikte Sicherheitsvorkehrungen, die jedoch häufig die Lerngeschwindigkeit und die Leistungsfähigkeit von Agenten beeinträchtigen. Mit der Erweiterung ATACOM-DC wird ein Ansatz vorgestellt, der direktionale Einschränkungen nutzt, um zwischen Aktionen zu unterscheiden, die sich auf Sicherheitsgrenzen zubewegen oder von diesen entfernen. Durch die bedarfsgerechte Aktivierung der Sicherheitsmechanismen wird das Verhältnis zwisch
Umgebungsparameter-Gradiententheorem für das Co-Design von Richtlinien und Umgebungen im Reinforcement Learning
Im klassischen Reinforcement Learning wird eine Steuerungsrichtlinie für eine feste Umgebung optimiert. In vielen technischen Systemen lassen sich jedoch auch die Umgebungsparameter anpassen, um Dynamik und Kosten zu beeinflussen. Das neu entwickelte Umgebungsparameter-Gradiententheorem ermöglicht die gemeinsame Optimierung von Richtlinie und Umgebungsdesign durch eine mathematische Herleitung des Gradienten der Wertfunktion. Ein darauf basierender modellfreier Algorithmus erlaubt das gleichzeitige Lernen optimaler
Die Lücke schließen: Potenziale und Herausforderungen hierarchischer Planung in LeWorldModel
Die Untersuchung analysiert den Einsatz zeitlicher Hierarchien zur Verbesserung von LeWorldModel bei der zielorientierten Steuerung über lange Zeiträume. Dabei zeigt sich, dass eine hierarchische Struktur nicht automatisch zu einer besseren Leistung führt, da Diskrepanzen zwischen dem erlernten Aktionsraum und der Suchverteilung zur Laufzeit entstehen können. Der entscheidende Engpass liegt in der Generierung der übergeordneten Teilziele. Durch die Einschränkung der Suche auf bekannte Makro-Aktionen und eine präzis
Robuste In-Hand-Manipulation durch physikalische Priors in Reinforcement Learning und mechanischem Design
Die Manipulation von Objekten in der Hand durch Roboter ohne externe Sensorik ist aufgrund von Kontaktunsicherheiten und Schwerkrafteinflüssen komplex. Ein neuer Ansatz integriert zwei physikalische Priors, um die Stabilität bei Rollbewegungen zu erhöhen: Ein globaler Prior bewertet die Qualität des Griffs für eine bessere Widerstandsfähigkeit, während ein lokaler Prior die Geometrie der Fingerspitzen nutzt, um die Kontaktfläche mechanisch zu optimieren. Diese Kombination verbessert die Rotationseffizienz und Stabi
TerraZero: Prozedurale Fahrsimulation für skalierbares Reinforcement Learning
TerraZero ist ein prozeduraler Fahrsimulator, der speziell für das Training autonomer Fahrsysteme mittels Reinforcement Learning entwickelt wurde. Das System nutzt reale Kartendaten als Basis, generiert jedoch durch randomisierte Verkehrsregeln und Fahrzeugdynamiken eine unbegrenzte Anzahl an Szenarien. Mit einer hohen Recheneffizienz ermöglicht die Plattform das Training von Agenten ohne menschliche Demonstrationen. Die resultierenden Modelle zeigen eine starke Generalisierungsfähigkeit und erzielen in Benchmarks
Lernen erzwungener Mehrkörperdynamik auf Lie-Gruppen
Es wurde eine neue Architektur für das maschinelle Lernen der Dynamik mechanischer Systeme entwickelt, die auf diskreten erzwungenen Euler-Lagrange-Gleichungen auf Lie-Gruppen basiert. Durch die direkte Modellierung auf mannigfaltigkeitswertigen Konfigurationsräumen bleiben geometrische Strukturen, Invarianten und Erhaltungssätze des Systems präzise gewahrt. Da das Verfahren ausschließlich Positionsdaten benötigt, ist es besonders robust gegenüber fehlenden oder verrauschten Geschwindigkeitsmessungen. Der Ansatz lä
LIDAR-AD: Ein decoderfreies Modell für latente Interaktionen und Aktions-Residualketten beim autonomen Fahren
Das neue Modell LIDAR-AD optimiert die Entscheidungsfindung für autonomes Fahren in dynamischen Verkehrsumgebungen durch den Einsatz latenter Weltmodelle. Anstatt aufwendige Beobachtungsrekonstruktionen durchzuführen, nutzt das System eine redundanzreduzierte latente Ausrichtung, um risikorelevante Zusammenhänge effizienter abzubilden. Durch die Modellierung der Fahrzeugsteuerung als sequentielle Residual-Aktions-Updates verbessert das Verfahren die Präzision bei der langfristigen Planung und kontinuierlichen Steue
Freiform-Präferenzlernen für die robotische Manipulation
Das neue Verfahren Freeform Preference Learning ermöglicht es, Roboterrichtlinien durch natürlichsprachliche Präferenzachsen statt durch binäre Rückmeldungen zu trainieren. Anwender definieren dabei spezifische Kriterien wie Geschwindigkeit, Sicherheit oder Präzision, anhand derer das System ein sprachkonditioniertes Belohnungsmodell erstellt. Dies führt zu einer effizienteren Optimierung bei komplexen Manipulationsaufgaben, da das Modell ohne explizite Unteraufgaben-Segmentierung lernt. Die Methode verbessert die
Embodied-R1.5: Entwicklung physischer Intelligenz durch verkörperte Basismodelle
Embodied-R1.5 ist ein neues verkörpertes Basismodell, das kognitive Fähigkeiten, Aufgabenplanung und Fehlerkorrektur in einer Architektur vereint. Durch den Einsatz automatisierter Datenpipelines und eines speziellen Trainingsrezepts bewältigt das Modell komplexe, langfristige Aufgaben autonom. Mit nur 8 Milliarden Parametern erzielt es in zahlreichen Benchmarks für verkörperte visuelle Sprachmodelle Spitzenwerte. Das Modell lässt sich effizient zu einem Vision-Language-Action-Modell weiterentwickeln und zeigt in r
Einfachheit durch One-Step-Aktionsgenerierung für Vision-Language-Action-Modelle
Die Forschung untersucht die Effizienz von Vision-Language-Action-Modellen (VLA) durch die Betrachtung von Aktionsgenerierung als Bild-zu-Text-Problem. Durch die Anwendung einer speziellen Verlustfunktion und optimiertes Training mit hohem Rauschanteil lässt sich die Aktionsvorhersage auf einen einzigen Schritt reduzieren. Die Ergebnisse zeigen, dass dieser Ansatz bei Standard-Robotik-Benchmarks wie LIBERO eine hohe Leistungsfähigkeit erreicht. Die Studie verdeutlicht, dass der Erfolg der einstufigen Generierung ma
Kontextabhängige Berechnung von Handlungsmöglichkeiten in Vision-Language-Modellen
Die Untersuchung analysiert, wie Vision-Language-Modelle (VLMs) Handlungsmöglichkeiten in Abhängigkeit vom jeweiligen Kontext interpretieren. Es zeigt sich ein signifikanter Drift in der Szenenbeschreibung, bei dem über 90 Prozent der lexikalischen Ausgaben durch den vorgegebenen Kontext beeinflusst werden. Während sich die Wortwahl stark verändert, bleibt die semantische Bedeutung stabiler. Diese Ergebnisse legen nahe, dass für die Robotik statt statischer Weltmodelle dynamische, abfrageabhängige Ontologien erford
PUMA: Wahrnehmungsgesteuerte einheitliche Trittpunkt-Priorisierung für Parkour-Vierbeiner
Für die agile Fortbewegung von vierbeinigen Robotern stellt die Bewältigung von Parkour-Aufgaben eine besondere Herausforderung dar, da die präzise Auswahl von Trittpunkten auf Basis visueller Umgebungsdaten bisher oft an starre hierarchische Steuerungen gebunden war. Mit dem neuen Lernansatz PUMA wird die visuelle Wahrnehmung direkt in ein einstufiges Training integriert, das auf egozentrischen polaren Trittpunkt-Priorisierungen basiert. Dies ermöglicht Robotern eine dynamische Anpassung der Körperhaltung und eine
Reinforcement Learning in der Praxis: Eine Übersicht statistischer Herausforderungen und zukünftiger Ansätze
Obwohl Reinforcement Learning in Bereichen wie Robotik und Gesundheitswesen große Erfolge erzielt, besteht weiterhin eine Lücke zwischen theoretischer Forschung und praktischer Anwendung. Wesentliche Hürden sind dabei die begrenzte Interaktionsmöglichkeit mit der Zielumgebung sowie die stetige Veränderung dieser Umgebungen. Um diese Herausforderungen zu bewältigen, wird ein dreistufiger Prozess vorgeschlagen, der Online-Lernen, Offline-Analysen und iterative Bereitstellungszyklen umfasst. Der Fokus liegt dabei auf
Ein Computermodell zur sensorimotorischen Exploration bei Säuglingen
Ein neues Computermodell simuliert die Lernprozesse von Säuglingen im sogenannten Mobile-Paradigma, bei dem Kinder die sensorischen Effekte ihrer eigenen Bewegungen erforschen. Das Modell nutzt neuronale Netze, Vorhersagemechanismen für Handlungsfolgen und biologisch inspirierte Motoriksteuerung, um das Verhalten bei der Interaktion mit einem beweglichen Objekt über der Wiege abzubilden. Die Simulationen replizieren erfolgreich klassische Beobachtungen, wie die bevorzugte Bewegung eines mit dem Objekt verbundenen G
Einfache Methode für Vision-Language-Action-Modelle: Kontinuierliches Lernen durch Reinforcement Learning
Die Forschung zeigt, dass Vision-Language-Action-Modelle durch einfaches sequenzielles Fine-Tuning mittels Low-Rank Adaptation (LoRA) effektiv in sich verändernden Umgebungen lernen können. Bisher wurde angenommen, dass für kontinuierliches Reinforcement Learning komplexe Strategien notwendig sind, um katastrophales Vergessen zu vermeiden. Die Untersuchung belegt jedoch, dass die Kombination aus vortrainierten Modellen, effizienter Parameteranpassung und On-Policy-Reinforcement-Learning eine hohe Stabilität und Pla
Autokorrelationseffekte in stochastischen Modellen zur Lösung von Zwei-Arm-Banditen-Problemen
Die Untersuchung analysiert den Einfluss der Autokorrelation in stochastischen Modellen zur Lösung von Zwei-Arm-Banditen-Problemen, die auf photonischen chaotischen Dynamiken basieren. Es zeigt sich, dass die optimale Autokorrelation stark von der Belohnungsumgebung abhängt: In Umgebungen mit hohen Gewinnwahrscheinlichkeiten ist eine negative Autokorrelation vorteilhaft, während in Umgebungen mit niedrigen Wahrscheinlichkeiten eine positive Autokorrelation die Leistung verbessert. Bei einer Summe der Gewinnwahrsche
MEMORA: Verkörpertes Aktionsgedächtnis aus egozentrischen Videos für logisches Denken und Planung
Die Forschung stellt MEMORA vor, ein System für verkörpertes Aktionsgedächtnis, das Robotern ermöglicht, Erfahrungen aus egozentrischen Videos in einem persistenten Speicher zu organisieren. Durch einen Lebenszyklus aus Bildung, Konsolidierung und Abruf speichert das System Informationen über Umgebungen, Entitäten, Aktivitäten und abgeleitetes Wissen. Diese Struktur erlaubt es Robotern, komplexe Planungsaufgaben durch den Zugriff auf vergangene Erfahrungen und abstrahierte Prozeduren effizienter zu lösen. In umfang
Verkörperte Multi-Agenten-Koordination durch den Abgleich von Weltmodellen mittels Dialog
Die effektive Zusammenarbeit von Robotern in geteilten Umgebungen erfordert eine Kommunikation, die auf einem gemeinsamen Verständnis der Welt basiert. In dieser Untersuchung wird analysiert, ob KI-basierte Agenten durch natürliche Sprache ihre Weltmodelle abgleichen können, um Aufgaben effizienter zu lösen. Dabei zeigt sich, dass Dialoge zwar Konflikte bei der Aktionsplanung signifikant reduzieren, jedoch die allgemeine Erfolgsquote bei der Aufgabenausführung im Vergleich zu einer stillen Koordination sinken kann.
Angst vor humanoiden Robotern führt zu Streiks in Hyundai-Autowerk
Die geplante Einführung von 25.000 Atlas-Robotern in den Produktionsstätten von Hyundai ab dem Jahr 2028 sorgt für erhebliche Unruhe unter der Belegschaft. Angesichts der zunehmenden Automatisierung durch humanoide Systeme kam es in einem Werk bereits zu Arbeitsniederlegungen. Die Beschäftigten fürchten um ihre Arbeitsplätze und fordern eine Auseinandersetzung mit den sozialen Folgen der technologischen Transformation in der Automobilfertigung.
Das Labor der Zukunft benötigt die Infrastruktur eines Rechenzentrums
Wissenschaftliche Forschung wird zunehmend als die nächste große Quelle für hochwertige Trainingsdaten für künstliche Intelligenz betrachtet. Um dieses Potenzial zu erschließen, müssen Labore grundlegend transformiert werden, indem sie wie hochgradig automatisierte Rechenzentren konzipiert sind. Durch den Einsatz von Robotik und digitaler Prozesssteuerung lassen sich experimentelle Daten in einem Maßstab erfassen, der für das Training komplexer KI-Modelle in den Naturwissenschaften unerlässlich ist. Dieser Ansatz z
NVIDIA stellt neue Jetson Thor-Computer für Robotik und Edge-KI vor
Die neuen Computermodule T3000 und T2000 basieren auf der Thor-Architektur und wurden speziell für den Einsatz in der Robotik und bei autonomen Systemen entwickelt. Sie ermöglichen die Ausführung komplexer KI-Grundlagenm
NVIDIA und Hugging Face erweitern LeRobot um neue KI-Modelle und Frameworks für die Robotik-Community
Die Zusammenarbeit zwischen NVIDIA und Hugging Face zielt darauf ab, die Entwicklung im Bereich der physischen KI durch den Ausbau der Open-Source-Plattform LeRobot zu beschleunigen. Durch die Bereitstellung neuer Robotik-Modelle, fortschrittlicher Simulationswerkzeuge und optimierter Rechenressourcen sollen bestehende Hürden wie fragmentierte Daten und hohe Kosten abgebaut werden. Ziel ist es, Entwicklern eine einheitliche Infrastruktur zur Verfügung zu stellen, um die Erstellung von Foundation-Modellen für Robote
Erstes Hardware-Produkt von OpenAI ist ein bildschirmloser KI-Lautsprecher mit lebendiger Anmutung
Die Entwicklung eines tragbaren, bildschirmlosen Smart-Speakers markiert den Einstieg in den Hardware-Markt. Das Gerät ist mit Kameras, Sensoren und mechanischen Komponenten ausgestattet, um als KI-Begleiter eine lebendige Interaktion zu ermöglichen. Ein laufender Rechtsstreit um Geschäftsgeheimnisse könnte den geplanten Marktstart im Jahr 2027 jedoch verzögern.
Chinesisches Weltmodell Orca erreicht Leistung spezialisierter Robotiksysteme ohne Aktionsdaten
Das neu entwickelte Weltmodell Orca prognostiziert abstrakte Zustände der Umgebung anstatt klassischer Pixel oder Token. Das Modell wurde mit 125.000 Stunden Videomaterial trainiert, ohne dabei auf explizite Aktionsbeschriftungen angewiesen zu sein. In der praktischen Anwendung erzielt das System bei fünf verschiedenen Robotikaufgaben Ergebnisse, die mit spezialisierten Modellen vergleichbar sind. Dieser Ansatz könnte maßgeblich dazu beitragen, den bestehenden Mangel an hochwertigen Trainingsdaten in der Robotik zu
Abfrage physischer KI-Daten mit Daft
Die Analyse komplexer Datensätze für physische KI wird durch die Kombination von Daft mit dem EgoDex-Datensatz von Apple optimiert. Dabei werden semantische Suchen mit Hand-Pose-Geometrien verknüpft, um präzise Informationen aus Interaktionsdaten zu extrahieren. Durch den Einsatz von SigLIP-Embeddings lassen sich visuelle und räumliche Daten effizient durchsuchen. Diese Methode ermöglicht eine gezielte Filterung von Bewegungsabläufen und manipulativen Handlungen, was die Entwicklung und das Training von Robotik-Mod
Abschlussjahrgang 2026 des Berkeley Artificial Intelligence Research Lab
Das Berkeley Artificial Intelligence Research Lab feiert den Abschluss seines diesjährigen Ph.D.-Jahrgangs. Die Forschungsarbeiten der Absolventen decken ein breites Spektrum moderner KI-Disziplinen ab, darunter Robotik, verkörperte Intelligenz sowie große Sprachmodelle und logisches Schließen. Mit diesen wissenschaftlichen Beiträgen haben die Nachwuchsforscher die Grenzen der aktuellen Entwicklung im Bereich des maschinellen Lernens maßgeblich erweitert.
Selbstverbessernde Roboter, ein chinesischer GPU-Cluster mit 10.000 Einheiten und ein Essay über das menschliche Zeitalter
Aktuelle Entwicklungen in der Robotik zeigen Fortschritte bei Systemen, die ihre Fähigkeiten durch eigenständige Lernprozesse kontinuierlich verbessern. Parallel dazu verdeutlicht der Aufbau eines chinesischen GPU-Clusters mit 10.000 Einheiten die zunehmende Bedeutung massiver Rechenkapazitäten für das Training komplexer KI-Modelle. Diese technologischen Sprünge werfen grundlegende Fragen über die Rolle des Menschen in einer Ära auf, die zunehmend von automatisierten und intelligenten Systemen geprägt ist.
KI-Entwicklungen: Belohnungs-Hacking, Anthropic-Daten und RL-gestützte Quadrocopter-Rennen
Die aktuelle Analyse beleuchtet das Phänomen des Reward-Hackings in gesellschaftlichen Kontexten und untersucht neue Datensätze von Anthropic zur Erforschung von RSI-Risiken. Ein weiterer Schwerpunkt liegt auf dem Einsatz von Reinforcement Learning bei der Steuerung von Quadrocoptern in Hochgeschwindigkeitsrennen. Abschließend wird die theoretische Frage diskutiert, ab welchem Zeitpunkt Finanzmärkte die ökonomischen Auswirkungen einer technologischen Singularität einpreisen könnten.
Car-GPT: Können Sprachmodelle das autonome Fahren endlich ermöglichen?
Der Einsatz von großen Sprachmodellen im Bereich des autonomen Fahrens wird zunehmend untersucht, um die Leistungsfähigkeit und Sicherheit von Fahrzeugsystemen zu verbessern. Dabei steht die Frage im Mittelpunkt, ob diese KI-Modelle zuverlässige Entscheidungen in komplexen Verkehrssituationen treffen können. Die Forschung konzentriert sich aktuell darauf, die spezifischen Herausforderungen bei der Integration dieser Technologie zu identifizieren und die Vertrauenswürdigkeit der Systeme für den Straßenverkehr zu bew