Forscher des MIT haben einen faszinierenden Meilenstein erreicht \u2013 f\u00fcr alle, die schon einmal an einem hektischen Arbeitstag ein Werkzeug oder ein Bauteil verlegt haben. Sie haben ein Ged\u00e4chtnissystem f\u00fcr Roboter entwickelt, das der F\u00e4higkeit einer Fabrikarbeiterin \u00e4hnelt, sich daran zu erinnern, wo sie einen Gegenstand versehentlich abgelegt hat. Im Gegensatz zu Menschen hatten Roboter bisher Schwierigkeiten mit dieser Art von \u201craum-zeitlichem\u201d Ged\u00e4chtnis \u2013 eine L\u00fccke, die das Forschungsteam schlie\u00dfen wollte. Nun ist es ihnen gelungen, ein Langzeitged\u00e4chtnis-Framework zu entwickeln, das es Robotern erm\u00f6glicht, schnell und effektiv ein detailliertes mentales Modell komplexer, gro\u00dffl\u00e4chiger Umgebungen zu erstellen und abzurufen.<\/p>\n
Stellen Sie sich vor, Sie k\u00f6nnten einem Roboterassistenten Aufgaben \u00fcbertragen, indem Sie einfach S\u00e4tze sagen wie: \u201cHol bitte das Bauteil, mit dessen Montage wir gestern Abend begonnen haben.\u201d Dieses einst futuristische Szenario r\u00fcckt immer n\u00e4her daran, ein ganz normaler Bestandteil unseres Arbeitsalltags zu werden. Um dies zu erm\u00f6glichen, hat das Team fortschrittliche Kartendarstellungen mit detaillierten Umgebungsbeschreibungen kombiniert. W\u00e4hrend sich der Roboter im Laufe der Zeit fortbewegt, sammelt und speichert er diese Informationen. Der Roboter kann dann problemlos auf diesen Speicher zugreifen, um komplexe Fragen zu seiner Umgebung in Alltagssprache zu beantworten.<\/p>\n
Die Vorteile eines solchen Systems sind vielf\u00e4ltig \u2013 von erh\u00f6hter Genauigkeit bis hin zur schnellen Nutzung in Echtzeit. Es ist nicht nur bahnbrechend f\u00fcr die Robotik, sondern er\u00f6ffnet auch neue M\u00f6glichkeiten in anderen Bereichen, wie beispielsweise bei Augmented-Reality-Systemen zur Erkennung von Anomalien durch Wartungspersonal oder zur Unterst\u00fctzung von Pendlern bei der Wegfindung. Luca Carlone, au\u00dferordentlicher Professor am MIT, erkl\u00e4rt: \u201cWenn wir wollen, dass Roboter Seite an Seite mit Menschen arbeiten und besser mit ihnen interagieren, m\u00fcssen sie dieselbe Sprache sprechen.\u201d.<\/p>\n
Dieses Speicher-Framework, das Computer Vision und robotergest\u00fctzte Kartierung miteinander verbindet, ist ein echter Meilenstein. Sie haben einen einzigartigen Ansatz namens \u201eDescribe Anything, Anywhere, Anytime, at Any Moment\u201c (DAAAM) entwickelt. Mit DAAAM versieht ein Roboter, w\u00e4hrend er seine Umgebung durchstreift, die Objekte, auf die er trifft, mit spezifischen Beschreibungen. Befindet sich der Roboter beispielsweise auf dem MIT-Campus, k\u00f6nnte er ein bestimmtes Geb\u00e4ude als das Stata Center identifizieren und dabei einen bestimmten Architekturstil beschreiben. Diese Details speichert er dann effizient, um sie sp\u00e4ter schnell und pr\u00e4zise abrufen zu k\u00f6nnen.<\/p>\n
F\u00fcr die Zukunft ist geplant, das DAAAM-Framework so zu erweitern, dass es wichtige Umgebungsereignisse erfasst und den Konfidenzgrad eines Systems in dessen Reaktionen einbezieht. Der wissenschaftliche Mitarbeiter Gorlo erkl\u00e4rt: \u201cLetztendlich wollen wir Roboter haben, die bei jeder Art von Aufgabe helfen k\u00f6nnen. Mit diesem Rahmenwerk versuchen wir, die Grundlagen f\u00fcr einen Allround-Agenten zu schaffen, der alles tun kann, was man von ihm verlangt.\u201d Ausf\u00fchrlichere Informationen finden Sie unter Originalnachrichten hier<\/a>.<\/p>\n