Humanoider Roboter lernt komplexe Sequenzen ohne einheitliche Trainingsdaten
Ingenieure der Seoul National University stellen das RISE-Framework vor, das Gehen und Manipulation auf einer Unitree G1 verbindet.
Automatisch aus dem englischen Original übersetzt Original lesen
Einer zweibeinigen Maschine beizubringen, durch einen Raum zu gehen und Objekte zu manipulieren, erfordert üblicherweise lückenlose Demonstrationssequenzen, die sich nur schwer zuverlässig aufzeichnen lassen. Ein Forschungsteam der Seoul National University hat eine Vision-Language-Action-Architektur namens RISE entwickelt, die unabhängig voneinander gesammelte Daten zum Gehen und zum Hantieren verknüpft, um sequenzielle Aufgaben auszuführen. Das System bringt die praktische Robotik voran, indem es den Aufwand für das Training physischer Maschinen verringert.
Der Engpass beim Training zweier Fähigkeiten
Vision-Language-Action-Modelle, angetrieben von künstlicher Intelligenz, ermöglichen Maschinen, natürliche Sprachbefehle zusammen mit visuellen Szenen zu interpretieren und physische Bewegungen in der fortgeschrittenen Robotik auszuführen. Diese Systeme auf einen humanoiden Roboter anzuwenden, birgt ein grundlegendes mechanisches Problem, wie TechXplore berichtet. Die Fortbewegung beruht auf der Koordination der Beine und dem Gleichgewicht, während die Manipulation eine präzise Verfolgung von Armen und Händen verlangt. Wenn Ingenieure versuchen, vollständige mehrstufige Demonstrationen zu sammeln, die beide Verhaltensweisen kombinieren, verdirbt jeder kleine Fehler während einer Zwischenbewegung den gesamten Datensatz. Einzelne Beispiele für das Gehen oder Greifen zu sammeln, ist weit einfacher, doch getrennte Datensätze vermitteln einer Maschine nicht, wann eine Verhaltensweise enden und die nächste beginnen muss.
Verantwortung auf einzelne Experten verteilen
Um diese Lücke ohne durchgängige Aufgabendemonstrationen zu schließen, hat ein Team unter Leitung von Professor Songhwai Oh am College of Engineering der Seoul National University RISE entwickelt, die Abkürzung für Responsibility-Induced Specialized Experts. Das Framework, beschrieben in einer zur Konferenz IROS 2026 angenommenen Forschungsarbeit, kombiniert ein gemeinsames visuell-sprachliches Wahrnehmungssystem mit einem Meta-Controller und mehreren Aktions-Submodulen, so TechXplore. In der Lernphase misst der Controller die Vorhersagegenauigkeit für jede Aktion und vergibt eine Betriebsbewertung, die als Verantwortung bezeichnet wird. Submodule mit höherer Bewertung erhalten größeren Einfluss auf bestimmte Bewegungen, wodurch die Arbeit automatisch in Fortbewegung und Manipulation aufgeteilt wird, ohne vorprogrammierte Rollen. Das System überwacht dann während der Ausführung Verschiebungen in diesen Expertengewichtungen und nutzt die Veränderungen als automatische Auslöser, um zwischen den Phasen zu wechseln.
Mehrstufige Ausführung auf physischer Hardware getestet
Die Forscher bewerteten die Architektur in simulierten Umgebungen, bevor sie sie auf physischer Hardware einsetzten, und zwar mit einer Unitree G1, ausgestattet mit zwei Dex3-1-Händen. Dieser physische Aufbau verlieh der Maschine 43 steuerbare Freiheitsgrade, wie TechXplore im Detail berichtet. In digitalen Tests mit zwei- bis vierstufigen Aufgaben, bei denen es um Flaschen, Becher und Obst ging, erreichte die neue Methode eine durchschnittliche Erfolgsquote von 87,3 %. Sie übertraf die 73,6 %, die eine Baseline auf Basis von NVIDIAs GR00T-Grundlagenmodell erzielte. Auf dem physischen Unitree-Roboter umfassten die Aufgaben bis zu fünf Stufen, darunter das Holen eines Gegenstands, das Umstellen und das Aufnehmen eines zweiten Objekts. Unter physischen Bedingungen verzeichnete das System eine Erfolgsquote von 50,0 % und übertraf die Baseline mit zunehmender Aufgabenkomplexität um 20 Prozentpunkte, was eine vielversprechende Innovation für die Zukunft autonomer Systeme darstellt.
Lesen Sie auch bei The Patent: Forscher aus Peking entwerfen Knochengerüste in 12 Sekunden mit KI
