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

Roboter-KI-Modelle planen immer einen kurzen Block künftiger Bewegungen, und wie viele davon der Roboter ausführt, bevor er wieder hinschaut, legen Entwickler bislang meist starr fest. Dieser Preprint der Tsinghua-Universität, der Beijing Academy of Artificial Intelligence (BAAI) und weiterer Partner ergänzt ein Zusatzmodul, das diese Zahl im laufenden Betrieb wählt und die Erfolgsquoten vorhandener Modelle von Physical Intelligence und Nvidia in der Simulation und auf einem realen Zweiarmroboter ohne Nachtraining erhöht.

ChunkTrust besteht aus zwei Teilen. Der trainingsfreie Action-aware Horizon Selector (AHS) misst online für jede Kandidatenlänge zwei Signale. Das erste ist die spektrale Stabilität innerhalb des Blocks, also wie stark sich der hochfrequente Anteil der vorhergesagten Geschwindigkeiten über die Entrauschungsschritte des Flow- oder Diffusions-Aktionskopfs verschiebt. Das zweite ist die Kontinuität zwischen Blöcken, also ob die Geschwindigkeit dort glatt bleibt, wo bereits ausgeführte Aktionen und neuer Abschnitt aneinanderstoßen. Beide Werte werden gleich gewichtet und mit einer Zuverlässigkeitsschätzung je Horizontlänge multipliziert, die als Beta-Verteilung nach jeder Neuplanung aktualisiert wird. Ein Vergessensfaktor von 0,99 lässt Evidenz aus früheren Aufgabenphasen abklingen, benachbarte Horizontlängen teilen ihr Feedback. Der optionale Query-based Horizon Adapter (QHA) ist ein kleines gelerntes Modul, das Bild-Sprach-Kontext und latente Aktionsdarstellungen der eingefrorenen Basis-Policy liest und darauf trainiert ist, die Horizontpräferenz des AHS in einem Durchlauf vorherzusagen. Im Einsatz wird diese Vorab-Verteilung mit der Online-Evidenz kombiniert. Die Basis-Policy selbst bleibt unverändert.