{"id":6234,"date":"2025-06-27T19:00:00","date_gmt":"2025-06-27T17:00:00","guid":{"rendered":"https:\/\/aitrends.center\/how-generative-ai-is-helping-robots-jump-higher-and-land-safer\/"},"modified":"2025-07-24T13:19:30","modified_gmt":"2025-07-24T11:19:30","slug":"wie-generative-ki-robotern-hilft-hoher-zu-springen-und-sicherer-zu-landen","status":"publish","type":"post","link":"https:\/\/aitrendscenter.eu\/de\/how-generative-ai-is-helping-robots-jump-higher-and-land-safer\/","title":{"rendered":"Wie generative KI Robotern hilft, h\u00f6her zu springen und sicherer zu landen"},"content":{"rendered":"<p>Stellen Sie sich vor, Sie w\u00fcrden die Z\u00fcgel beim Roboterdesign einem kreativen Partner \u00fcbergeben, der nicht nur neue Ideen entwickelt, sondern diese auch mit mehr Kraft und Pr\u00e4zision als je zuvor zum Leben erwecken kann. Genau das hat das Labor f\u00fcr Informatik und K\u00fcnstliche Intelligenz (CSAIL) des MIT getan, indem es generative KI \u2013 man denke an die Technologie hinter Tools wie DALL\u00b7E \u2013 in den Mittelpunkt des Prozesses zur Entwicklung funktionsf\u00e4higer Roboter gestellt hat.<\/p>\n<p>Jahrelang wurde KI vor allem im Medienbereich eingesetzt, beispielsweise zur Erzeugung von Bildern oder Videos. Doch nun halten hochentwickelte Werkzeuge, sogenannte Diffusionsmodelle, Einzug in die Welt der Physik und Technik. Anstatt sich auf langsame, sich wiederholende Versuche und Irrt\u00fcmer zu verlassen, erm\u00f6glicht der neue Ansatz des CSAIL einer KI, Tausende virtueller Anpassungen am Design eines Roboters zu untersuchen, diese alle in einer Simulation zu testen und sich schnell auf die vielversprechendsten Versionen festzulegen. Erst dann greifen die Forscher zum 3D-Drucker, was den Prozess, der fr\u00fcher einen gro\u00dfen Engpass in der Robotik darstellte, erheblich beschleunigt.<\/p>\n<p>Um zu verdeutlichen, wie bahnbrechend dies sein kann, nahm sich das MIT-Team eine einfache, einzelne Aufgabe vor: einen Roboter dazu zu bringen, h\u00f6her zu springen. Sie begannen mit einem einfachen 3D-Modell und wiesen die KI an, wichtige Teile zu optimieren. Die KI reagierte darauf, indem sie Aspekte der \u201cGelenke\u201d des Roboters \u2013 man kann sie sich als Knochen oder Arme vorstellen \u2013 neu konzipierte und anschlie\u00dfend Hunderte von Designvarianten virtuell testete. Sobald sich der beste Entwurf herauskristallisiert hatte, wurde er aus Polymilchs\u00e4ure gedruckt und in der realen Welt auf die Probe gestellt.<\/p>\n<p>Und hier kommt der atemberaubende Teil: Der KI-gest\u00fctzte Roboter katapultierte sich fast 2 Fu\u00df in die Luft \u2013 41% h\u00f6her als ein \u00e4hnlicher Roboter, der ausschlie\u00dflich auf der Grundlage menschlicher Intuition und ingenieurtechnischen Know-hows entwickelt wurde. Auf den ersten Blick k\u00f6nnte man die beiden Roboter kaum voneinander unterscheiden. Beide werden von einem Motor und einem seilgetriebenen Federmechanismus angetrieben und bestehen aus denselben Grundmaterialien. Doch statt gerader, rechteckiger Verbindungsst\u00fccke schlug die KI geschwungene, trommelstockf\u00f6rmige Glieder vor. Wie sich herausstellte, erm\u00f6glichte diese ungew\u00f6hnliche Geometrie dem Roboter, bei jedem Sprung viel mehr Energie zu speichern und freizusetzen, w\u00e4hrend die entscheidenden Glieder gleichzeitig stabil genug blieben, um die Landung zu \u00fcberstehen.<\/p>\n<p>Der Weg zu diesem Erfolg war nicht einfach. Das Team nutzte eine KI-Abbildung, einen sogenannten \u201cEmbedding-Vektor\u201d, um 500 neue Designideen zu generieren, und w\u00e4hlte anschlie\u00dfend die in der Simulation am besten abschneidenden Entw\u00fcrfe aus, um den Ansatz immer wieder zu verfeinern. Dieser iterative Prozess ebnete den Weg zu einer einzigartigen, fast blobartigen Struktur, die die Sprungkraft drastisch steigerte. Dabei passte die KI nicht nur kleine Details an \u2013 sie bot eine neue Perspektive auf die grundlegenden physikalischen Prinzipien, die einen federbelasteten Roboter zum Fliegen bringen.<\/p>\n<p>Nat\u00fcrlich n\u00fctzt es wenig, h\u00f6her zu springen, wenn jede Landung mit einem Sturz endet. In Anbetracht dessen nutzte das CSAIL dieselbe KI-Methode, um neue Fu\u00dfformen zu entwickeln und zu testen, mit dem Ziel, sanftere Landungen zu erreichen. Die Ergebnisse waren ebenso beeindruckend: Im Vergleich zum urspr\u00fcnglichen Entwurf konnten die St\u00fcrze um 84% reduziert werden, was den Weg f\u00fcr wesentlich stabilere und zuverl\u00e4ssigere Maschinen ebnet.<\/p>\n<p>Besonders spannend ist, dass dies erst der Anfang ist. Mit Diffusionsmodellen k\u00f6nnen sich Forscher vorstellen, der KI ein Ziel in einfacher Sprache vorzugeben \u2013 etwa \u201cEntwirf einen Roboter, der Kaffee serviert\u201d oder \u201cZieh eine Schraube mit einem Bohrer fest\u201d \u2013 und sie sowohl die Struktur als auch das Steuerungssystem von Grund auf neu entwickeln zu lassen. Das Team hat nun Roboter mit mehr Motoren f\u00fcr eine bessere Lenkung im Blick und experimentiert mit leichteren Materialien, was die Leistung noch weiter steigern k\u00f6nnte.<\/p>\n<p>Die Zukunft der Robotik k\u00f6nnte weniger wie ein \u00fcber eine Werkbank gebeugter Ingenieur aussehen, sondern vielmehr wie eine lebendige Zusammenarbeit zwischen sorgf\u00e4ltiger menschlicher Einsicht und der grenzenlosen, manchmal \u00fcberraschenden Erfindungsgabe der KI.<\/p>\n<p>Lesen Sie den Originalartikel unter <a href=\"https:\/\/news.mit.edu\/2025\/using-generative-ai-help-robots-jump-higher-land-safely-0627\" target=\"_blank\" rel=\"noopener\">MIT-Nachrichten<\/a>.<\/p>","protected":false},"excerpt":{"rendered":"<p>Imagine handing the reins of robot design to a creative partner that not only dreams up new ideas, but can also bring them to life with more power and precision than ever before. That\u2019s precisely what MIT\u2019s Computer Science and Artificial Intelligence Laboratory (CSAIL) has done by putting generative AI\u2014think of the engine behind tools like DALL\u00b7E\u2014front and center in the process of building working robots. For years, AI was mostly used for media, like generating pictures or videos. But now, sophisticated tools called diffusion models are stepping right into the world of physical engineering. Instead of relying on slow, [&hellip;]<\/p>\n","protected":false},"author":4,"featured_media":6235,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-6234","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-automation","category-ai-news","post--single"],"_links":{"self":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6234","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/comments?post=6234"}],"version-history":[{"count":1,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6234\/revisions"}],"predecessor-version":[{"id":6522,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/6234\/revisions\/6522"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/6235"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=6234"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=6234"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=6234"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}