Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind3. September 2025 · Q006054

RoboBallet: Planning for Multi-Robot Reaching with Graph Neural Networks and Reinforcement Learning

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der bereitgestellte Bericht besteht nur aus dem Abstract. Darin beschreiben die Autorinnen und Autoren ein mit Reinforcement Learning trainiertes Graph-Neuronales Netz, das Aufgabenverteilung, Zeitplanung und Bewegungsplanung für mehrere Roboter gemeinsam lösen soll; laut Abstract wurde es mit acht Robotern und 40 Aufgaben erprobt und übertrug sich ohne Nachtraining auf ungesehene Szenarien. Weitere Angaben zu Messwerten, Vergleichen und Einschränkungen enthält der Auszug nicht.

Mittel

Der bereitgestellte Bericht enthält nur den Abstract, nicht den vollständigen Artikel. Beschrieben wird ein Verfahren zur gemeinsamen Aufgabenverteilung, Zeitplanung und Bewegungsplanung für mehrere Roboter in hindernisreichen Arbeitsbereichen. Es kombiniert Reinforcement Learning mit einem Graph Neural Network, das Szenen als Graphen repräsentiert und daraus Robotertrajektorien erzeugt.

Laut Abstract wurde das Verfahren in der Simulation mit vielfältigen, prozedural erzeugten Szenarien trainiert. Im beschriebenen Beispiel koordinierte es acht Roboter bei 40 Aufgaben in einem gemeinsamen Arbeitsraum. Die Autorinnen und Autoren berichten, dass die Methode ohne zusätzliches Training auf ungesehene Roboterpositionen, Hindernisgeometrien und Zielpositionen übertragbar war. Ihre Geschwindigkeit soll außerdem bei der Optimierung der Anordnung eines Arbeitsbereichs helfen.

Fehlertolerante Planung und Neuplanung anhand laufender Wahrnehmung werden als mögliche Anwendungen genannt, nicht als bereits belegte Ergebnisse. Der Abstract liefert keine Details zu Messwerten, Vergleichsverfahren oder methodischen Einschränkungen. Die Arbeit erschien laut Quelle in *Science Robotics*.

Ausführlich lesen

Der bereitgestellte Bericht enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zum Publikationsort; der vollständige Artikel liegt nicht vor. Die Zusammenfassung stützt sich daher ausschließlich auf den Abstract.

Die Arbeit behandelt die automatisierte Koordination mehrerer Roboter in gemeinsam genutzten, hindernisreichen Arbeitsbereichen. Dort müssen zahlreiche Aufgaben so verteilt, eingeplant und ausgeführt werden, dass sich die Roboter nicht gegenseitig oder mit Hindernissen kollidieren. Laut Abstract sind diese Teilprobleme zusammen für klassische Verfahren bei praxisnaher Größe rechnerisch kaum zu bewältigen. Industrielle Mehrarmsysteme würden häufig mithilfe menschlicher Erfahrung und arbeitsintensiver manueller Trajektorienplanung eingerichtet.

Als Lösung schlagen die Autorinnen und Autoren ein Verfahren vor, das Reinforcement Learning mit einem Graph Neural Network verbindet. Eine Graphdarstellung bildet die jeweilige Szene ab; die darauf trainierte Graph-Policy erzeugt Bewegungsbahnen für mehrere Roboter. Sie soll Aufgabenverteilung, Reihenfolgeplanung und Bewegungsplanung gemeinsam lösen, statt diese Schritte getrennt zu behandeln. Das Training erfolgte laut Abstract in der Simulation mit prozedural erzeugten Umgebungen, unterschiedlichen Hindernisanordnungen, Roboterkonfigurationen und Aufgabenverteilungen.

Als erprobtes Szenario nennt der Abstract acht Roboter, die in einem gemeinsamen, hindernisreichen Arbeitsraum 40 Greif- beziehungsweise Erreichaufgaben ausführen. Jeder Roboter kann demnach jede Aufgabe in beliebiger Reihenfolge übernehmen. Die trainierte Methode habe ohne zusätzliches Training auf bislang ungesehenen Bedingungen verallgemeinert, darunter andere Roboterpositionen, Hindernisgeometrien und Zielpositionen. Außerdem berichten die Autorinnen und Autoren, die hohe Geschwindigkeit des Verfahrens ermögliche dessen Einsatz zur Optimierung der Anordnung eines Arbeitsbereichs und verbessere dabei die Lösungszeiten.

Der Abstract stellt schnelle Anpassung auch als Grundlage für mögliche künftige Fähigkeiten wie fehlertolerante Planung und eine Neuplanung anhand laufender Wahrnehmung dynamischer Aufgaben dar. Diese Punkte werden als eröffnetes Potenzial beschrieben, nicht als nachgewiesene Ergebnisse. Da nur der Abstract vorliegt, enthält die bereitgestellte Quelle keine näheren Angaben zu Versuchsaufbau, Vergleichsverfahren, quantitativen Messwerten oder Einschränkungen der Methode. Der Beitrag ist in *Science Robotics* verortet; als Autorinnen und Autoren sind Matthew Lai, Keegan Go, Zhibin Li, Torsten Kroger, Stefan Schaal, Kelsey Allen und Jonathan Scholz genannt.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle
Agenten und vernetzte Systeme

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →