Anthropic-Studie: Roboter könnten 74 Prozent der körperlichen Arbeit in den USA erledigen, rechnen sich aber nur bei 0,3 Prozent

NavHarness ist ein als Preprint veröffentlichter Agentic-VLN-Rahmen, der Navigation über adaptive lokale Ziele, explizite Zielverifikation und progressabhängige Speicherkompression steuert. Auf R2R-CE und RxR-CE erreicht er mit GPT-6-Astra Erfolgsraten von 79,0 % bzw. 82,5 % und übertrifft damit Codex CLI mit gleichem Backbone um 5,0 bzw. 6,2 Prozentpunkte. In einer realen Roboterstudie mit acht Routen und je drei Versuchen liegt die Erfolgsrate bei 83,3 % bei 1,51 m Navigationsfehler.

NavHarness ist ein Zero-Shot-Framework ohne zusätzliches Navigationstraining. Ein Goal Agent erzeugt aus Instruktion, aktueller Beobachtung und komprimiertem Verlauf jeweils ein lokales Ziel samt einer Verifikationsfrage, die eine beobachtbare Abschlussbedingung benennt. Ein Visuomotor Agent setzt das Ziel in Vorwärts-, Dreh- und Stoppaktionen um, während ein Verify Agent nach jedem Schritt anhand der neuen Beobachtung prüft, ob die Bedingung erfüllt ist, und qualitatives Feedback gibt. Bestätigte Zielabschlüsse markieren Grenzen, an denen ein Memory Agent den multimodalen Verlauf des abgeschlossenen Abschnitts in eine Zusammenfassung aus Route, Landmarken, Verifikationsergebnissen und einem visuellen Keyframe verdichtet. Zum Einsatz kommt ein Unitree-Go2-Quadruped mit einer frontmontierten Intel RealSense D435i, die nur RGB-Bilder liefert.