Our latest advances in robot dexterity
Zusammenfassung
Kurz
Google DeepMind stellt ALOHA Unleashed für beidhändige Aufgaben und DemoStart für das Lernen mit einer mehrfingrigen Roboterhand vor. DemoStart erzielte laut Bericht hohe Erfolgsraten in Simulationen, aber im realen Steckertest nur 64 Prozent; zudem bleibt der Übergang von Simulation zu Wirklichkeit schwierig und Roboter sind noch weit von menschlicher Geschicklichkeit entfernt.
Mittel
Der Bericht beschreibt zwei Google-DeepMind-Ansätze für geschicktere Roboterbewegungen. ALOHA Unleashed soll komplexe Aufgaben mit zwei Armen anhand von Fernsteuerungs-Demonstrationen erlernen. Genannt werden etwa Schnürsenkel binden, Kleidung aufhängen, einen Roboter reparieren und eine Küche reinigen. Ein Diffusionsverfahren leitet aus den aufgezeichneten Beispielen mögliche Aktionen ab. Für diese Aufgaben gibt der Beitrag keine Erfolgsquoten an.
DemoStart kombiniert bestärkendes Lernen mit wenigen Demonstrationen in einer Simulation. Es führt den Roboter schrittweise von leichteren zu schwierigeren Zuständen. Laut Bericht braucht es für das Lernen in der Simulation hundertmal weniger simulierte Demonstrationen als üblicherweise reale Beispiele. In mehreren simulierten Aufgaben lag die Erfolgsquote über 98 Prozent. In der realen Welt wurden 97 Prozent beim Drehen und Anheben von Würfeln sowie 64 Prozent beim präzisen Einstecken eines Steckers erreicht. Die Erprobung erfolgte mit einer dreifingrigen DEX-EE-Hand. Der Beitrag betont, dass Simulationen schwierig zu gestalten sind und sich nicht immer auf die Wirklichkeit übertragen lassen; menschliche Geschicklichkeit erreichen Roboter weiterhin nicht.
Ausführlich lesen
Der Bericht stellt zwei Forschungsansätze von Google DeepMind vor, die Robotern geschicktere Bewegungen beibringen sollen: ALOHA Unleashed für Aufgaben mit zwei Armen und DemoStart für eine mehrfingrige Roboterhand. Beide Arbeiten zielen darauf, Roboter bei anspruchsvollen Kontakten mit Gegenständen in wechselnden Umgebungen zu verbessern. Der Beitrag beschreibt die Ergebnisse als Fortschritte, betont aber zugleich, dass Roboter menschliche Greif- und Handhabungsfähigkeiten noch nicht erreichen.
ALOHA Unleashed baut auf der ALOHA-2-Plattform auf. Laut Bericht erleichtern deren zwei Hände die Fernsteuerung und damit das Sammeln von Trainingsdaten; außerdem soll das System neue Aufgaben mit weniger Demonstrationen lernen können. Das Team steuerte den Roboter aus der Ferne und zeichnete Vorführungen schwieriger Tätigkeiten auf, darunter Schuhe binden und T-Shirts aufhängen. Anschließend nutzte es ein Diffusionsverfahren, das aus Rauschen mögliche Roboteraktionen ableitet, um aus den Demonstrationen ein ausführbares Verhalten zu lernen. Der Beitrag nennt als gezeigte Aufgaben unter anderem Schnürsenkel binden, ein Hemd auf einen Bügel hängen, einen anderen Roboter reparieren, ein Zahnrad einsetzen und eine Küche reinigen. Er nennt dafür jedoch keine Erfolgsquoten oder vergleichenden Messwerte.
DemoStart richtet sich an die Steuerung komplexer Hände, deren viele Finger, Gelenke und Sensoren die Kontrolle erschweren. Das Verfahren kombiniert bestärkendes Lernen mit wenigen Demonstrationen in einer Simulation. Es beginnt mit leichteren Zuständen und führt nach und nach schwierigere ein, bis die Aufgabe möglichst gut beherrscht wird. Nach Darstellung des Berichts benötigt es zum Lernen einer Aufgabe in der Simulation hundertmal weniger simulierte Demonstrationen als üblicherweise für das Lernen anhand von Beispielen aus der realen Welt nötig seien.
In Simulationen erzielte der Roboter laut Beitrag bei mehreren Aufgaben mehr als 98 Prozent Erfolg, etwa beim Drehen von Würfeln auf eine bestimmte Farbseite, beim Anziehen einer Mutter auf einer Schraube und beim Aufräumen von Werkzeugen. Bei Versuchen mit der realen Roboterhand lagen die angegebenen Erfolgsraten bei 97 Prozent für das Drehen und Anheben von Würfeln sowie bei 64 Prozent für das Einstecken eines Steckers in eine Buchse, wofür präzise Fingerkoordination erforderlich war. DemoStart wurde mit dem Physiksimulator MuJoCo entwickelt und auf der dreifingrigen DEX-EE-Hand von Shadow Robot erprobt. Der Beitrag sagt, die Übertragung von der Simulation in die reale Welt sei nach üblichen Maßnahmen wie Domain Randomization nahezu ohne zusätzliches Training gelungen.
Als Grenzen nennt der Bericht den schwierigen Entwurf realistischer Simulationen und die Tatsache, dass Simulationsergebnisse nicht immer auf die reale Welt übertragbar sind. Außerdem sei die präzise Handhabung von Gegenständen durch Roboter weiterhin weit von menschlicher Geschicklichkeit entfernt. Die vorgestellten Verfahren sollen Experimente kostengünstiger und schneller machen und den Transfer erleichtern; sie belegen noch keine allgemein zuverlässigen Haushalts- oder Arbeitsroboter.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Die Bewertung stützt sich nur auf den Text des Berichts. Die Sammelfragen liegen thematisch weit vom Bericht entfernt, deshalb fallen die Stufen niedrig aus. Lunas Anteilswerte (36 % und 28 %) wurden nicht bewertet und nicht übernommen.
Im Bericht, aber nicht in der Zusammenfassung
- ALOHA 2 als Grundlage von ALOHA Unleashed, die auf der Stanford-Arbeit zu ALOHA aufbaut
- Die Übertragung von DemoStart in die reale Welt gelang nahezu ohne Zusatztraining (nearly zero-shot), gestützt auf Domain Randomization und MuJoCo
- Der Bericht argumentiert, dass ein Sprachmodell in einem Roboter die Aufgaben nicht selbst ausführen könnte, weshalb Robotik die reale Bewährung von KI-Ansätzen zeigt
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Unabhängig prüfen
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 44 %einzelne zitierbare Belege
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 53 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 28 %Hintergrund, keine Belege
- JEV 38 %gleiches Oberthema, hilft nicht
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 63 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung kein Bezug
Vertrauen in Modelle
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 36 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- Haiku-Prüfung gleiches Oberthema, hilft nicht
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 47 %einzelne zitierbare Belege
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 57 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
- SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 33 %gleiches Oberthema, hilft nicht
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 46 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 49 %einzelne zitierbare Belege
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
- SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 43 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Alle Berichte im Archiv