MIT-Forscher haben eine revolution\u00e4re, auf KI basierende Technik entwickelt, die die langfristige Planung visueller Aufgaben wie die Navigation von Robotern erheblich verbessert. Diese bahnbrechende Methode ist Berichten zufolge doppelt so effektiv wie einige der bestehenden Techniken - eine gro\u00dfe Leistung in der Welt der KI-gest\u00fctzten Innovation.<\/p>\n
Im Mittelpunkt dieses Fortschritts steht ein Vision-Language-Modell, ein System, das entwickelt wurde, um visuelle Szenarien zu verstehen und die notwendigen Ma\u00dfnahmen zur Erreichung eines bestimmten Ziels zu planen. Aber was macht es so besonders? Es ist die F\u00e4higkeit, fertige Dateien f\u00fcr herk\u00f6mmliche Planungssoftware zu generieren, die im Grunde automatisch die H\u00e4lfte der Arbeit f\u00fcr Sie erledigen. Und mit einer Erfolgsquote von etwa 70% - die deutlich \u00fcber der 30%-Rate von Standardmethoden liegt - ist diese Methode ein echter Wendepunkt.<\/p>\n
Wie Yilun Hao, der Hauptautor der Studie und Doktorand am MIT, erkl\u00e4rt, zeichnet sich dieses System dadurch aus, dass es Probleme l\u00f6sen kann, die es noch nie zuvor gesehen hat. Eine solche Anpassungsf\u00e4higkeit ist f\u00fcr den Umgang mit realen Szenarien, in denen Unvorhersehbarkeit das A und O ist, unerl\u00e4sslich.<\/p>\n
Aber Hao hat diese Leistung nicht allein vollbracht - er hat sich mit Yongchao Chen (MIT Laboratory for Information and Decision Systems, oder LIDS), Yang Zhang (MIT-IBM Watson AI Lab) und Chuchu Fan (Associate Professor bei AeroAstro und einer der Hauptforscher im LIDS) zusammengetan. Ihre gemeinsamen Bem\u00fchungen trugen so bemerkenswerte Fr\u00fcchte, dass sie auf der International Conference on Learning Representations vorgestellt werden.<\/p>\n
Das Team nutzte das Vision-Language Model (VLM), um die L\u00fccke zwischen komplexem Denken, Planung und visuellen Eingaben zu schlie\u00dfen; ein Schritt, der die Leistungsf\u00e4higkeit der KI bei der Bew\u00e4ltigung realer Herausforderungen wie autonomes Fahren oder Robotermontage unter Beweis stellt. Da VLMs jedoch oft straucheln, wenn sie r\u00e4umliche Beziehungen zwischen Objekten in der Szene verstehen und mehrere Schritte durchdenken m\u00fcssen, haben sie sich mit formalen Planern zusammengetan, um eine VLM-gef\u00fchrte formale Planung (VLMFP) zu entwickeln.<\/p>\n
VLMFP umfasst zwei spezialisierte VLMs, die visuelle Planungsprobleme in Dateien umwandeln, die f\u00fcr herk\u00f6mmliche Planungssoftware geeignet sind. Das System beginnt mit einem kleinen Modell, SimVLM, das visuelle Szenarien in nat\u00fcrlicher Sprache beschreibt. Ein gr\u00f6\u00dferes Modell, GenVLM, verwendet dann die Beschreibungen von SimVLM, um erste Dateien in der Planning Domain Definition Language (PDDL) zu erzeugen. Diese Dateien werden dann in einen klassischen PDDL-Solver eingespeist und Schritt-f\u00fcr-Schritt-Pl\u00e4ne entfalten sich.<\/p>\n
VLMFP hat beeindruckende Ergebnisse erzielt: 60% Erfolg bei sechs 2D-Planungsaufgaben und \u00fcber 80% Erfolg bei zwei 3D-Aufgaben, z. B. bei der Zusammenarbeit mehrerer Roboter und bei der Montage durch Roboter. Au\u00dferdem konnte es f\u00fcr mehr als die H\u00e4lfte der Szenarien, die es zuvor nicht kannte, g\u00fcltige Pl\u00e4ne erstellen und \u00fcbertraf damit deutlich die traditionellen Methoden.<\/p>\n
F\u00fcr die Zukunft hofft das Team, die F\u00e4higkeiten von VLMFP weiter zu verfeinern, damit es noch komplexere Szenarien bew\u00e4ltigen und m\u00f6gliche Fehler von VLMs reduzieren kann. Letztendlich glauben sie, dass sich generative KI-Modelle zu Agenten entwickeln k\u00f6nnten, die in der Lage sind, noch kompliziertere Probleme zu l\u00f6sen, was einen gro\u00dfen Sprung in der KI-gesteuerten Probleml\u00f6sung bedeuten w\u00fcrde.<\/p>\n