Stellen Sie sich vor, Sie machen einen Spaziergang und sto\u00dfen dabei auf Roboter, die sich geschickt durch eine staunende Menschenmenge schl\u00e4ngeln. Faszinierend, ja, aber diese Wunderwerke der modernen Technik sind noch nicht ganz bereit, als Allround-Kochgehilfen oder Arbeitspferde in der Fabrik zu fungieren. Ein wesentlicher Teil des Puzzles, den es noch zu l\u00f6sen gilt, ist effizientes Lernen. Genau wie wir Menschen lernen sie am besten durch praktische Erfahrung. Roboter in vielf\u00e4ltige Lernumgebungen einzubinden, kann jedoch eine ziemliche Herausforderung sein \u2013 es ist anstrengend und zeitaufwendig. Aber keine Sorge, L\u00f6sungen sind bereits in Sicht.<\/p>\n
Eine m\u00f6gliche L\u00f6sung, die zunehmend an Bedeutung gewinnt, ist der Einsatz von Simulationen als Lernumgebungen f\u00fcr Roboter. Professor Russ Tedrake vom MIT, der zugleich als Forscher am MIT-Labor f\u00fcr Informatik und K\u00fcnstliche Intelligenz (CSAIL) t\u00e4tig ist, erkl\u00e4rt, dass bei den Physik-Engines von Robotersimulatoren Fortschritte erzielt wurden. Der Haken daran? Die Erstellung realistischer Simulationen, die die Komplexit\u00e4t der realen Welt widerspiegeln, bleibt nach wie vor eine gro\u00dfe Herausforderung.<\/p>\n
Hier kommen KI-Agenten ins Spiel. Diese halbautonomen Programme, die auf die Ausf\u00fchrung genau definierter Aufgaben spezialisiert sind, k\u00f6nnten genau das sein, was ben\u00f6tigt wird, um realistische virtuelle R\u00e4ume f\u00fcr das Robotertraining zu schaffen. Eine Gruppe von Forschern des MIT CSAIL und des Toyota Research Institute hat ein System entwickelt, das den Namen \u201cSceneSmith<\/a>.\u201d SceneSmith besteht aus einem Trio von KI-Agenten und erstellt meisterhaft Objekte, W\u00e4nde und ganze 3D-Szenen, die Umgebungen wie Restaurants und Hotels nachbilden. Dadurch k\u00f6nnen Roboter ihre F\u00e4higkeiten und Strategien in diesen Umgebungen verfeinern, bevor sie in der realen Welt zum Einsatz kommen, was den Ingenieuren viel Zeit spart.<\/p>\n SceneSmith nutzt ein Bild-Sprache-Modell namens GPT-5.2, das mit umfangreichen Text- und Bilddaten aus dem Internet gef\u00fcttert ist. In diesem System gibt es drei zentrale Akteure: einen \u201cDesigner\u201d, der Szenenelemente erstellt, einen \u201cKritiker\u201d, der sicherstellt, dass diese Elemente der Realit\u00e4t entsprechen, und einen \u201cOrchestrator\u201d \u2013 die treibende Kraft \u2013, der den Abschluss der Arbeit signalisiert. Sobald die Akteure diese fruchtbare Zusammenarbeit beendet haben, ist die Szene bereit f\u00fcr die Integration in eine Physiksimulationssoftware.<\/p>\n Nicholas Pfaff, Doktorand am MIT im Fachbereich EECS und Forscher am CSAIL, gab Einblicke in die F\u00e4higkeit des Systems, 3D-Szenen zu erstellen, \u00e4hnlich wie es ein menschlicher Designer tun w\u00fcrde. Tats\u00e4chlich wurde ein f\u00fchrendes Bild-Sprache-Modell verwendet, um \u00fcber 1.300 Szenen zu erstellen, was zu wunderbar kreativen und vielf\u00e4ltigen Umgebungen f\u00fchrte, ohne dass daf\u00fcr spezifische Vorgaben erforderlich waren.<\/p>\n Die SceneSmith-Plattform erm\u00f6glicht es Nutzern, anhand detaillierter Vorgaben virtuelle Umgebungen zu erstellen. Beispielsweise k\u00f6nnten Nutzer eine Garage anfordern, die mit einem Auto, einer Werkbank, einem Stapel Reifen in einer Ecke und einer an der Wand lehnenden Leiter ausgestattet ist. Dank dieser Detailgenauigkeit bieten diese Umgebungen einen vielf\u00e4ltigen Lernraum f\u00fcr Roboter, in dem sie F\u00e4higkeiten wie das Bewegen einer Getr\u00e4nkedose von einem Regal auf einen Tisch verfeinern k\u00f6nnen.<\/p>\n Um zu beurteilen, wie realistisch die generierten Umgebungen sind, haben die Forscher vortrainierte Robotersteuerungsstrategien in die SceneSmith-R\u00e4ume integriert. Die Roboter stellten ihre Leistungsf\u00e4higkeit unter Beweis, indem sie Aufgaben wie das Umsetzen eines Apfels von einer Schale auf ein Schneidebrett ausf\u00fchrten, was ein deutliches Indiz daf\u00fcr liefert, dass die virtuellen Szenen die realen Umgebungen in erheblichem Ma\u00dfe widerspiegeln.<\/p>\n Die KI-Agenten von SceneSmith arbeiten zusammen, um Szenen schrittweise auszuarbeiten \u2013 von der Erstellung eines Grundrisses bis hin zur Best\u00fcckung mit M\u00f6beln und Objekten. Das \u201cDesigner\u201d-Vision-Sprachmodell beginnt mit dem Layout, der \u201cKritiker\u201d wirft einen Blick darauf, und schlie\u00dflich rundet der \u201cOrchestrator\u201d das Design ab. SceneSmith zeichnet sich zudem dadurch aus, dass es im Vergleich zu anderen Methoden Umgebungen generieren kann, die reich an Objekten und Details sind, was es aufgrund seiner lebendigen Darstellungen und der genauen Einhaltung der Vorgaben bei \u00fcber 200 Nutzern sehr beliebt macht. <\/p>\n Es gibt jedoch einen kleinen Haken. Die Erstellung dieser atemberaubend realistischen Szenen nimmt ziemlich viel Zeit in Anspruch \u2013 manchmal sogar Stunden f\u00fcr eine einzige Szene. Doch da die Rechenleistung rasant zunimmt, d\u00fcrfte sich die Effizienz von SceneSmith deutlich verbessern. Vielleicht k\u00f6nnte das Programm sogar um weitaus komplexere Elemente wie verformbare Objekte erweitert werden, sofern ausreichend 3D-Bibliotheken zur Verf\u00fcgung stehen \u2013 so hoffen es zumindest die CSAIL-Ingenieure.<\/p>\n Die KI-Automatisierung ist ein boomender Bereich, der der Robotik viel zu bieten hat, wie die hervorragenden Beitr\u00e4ge von SceneSmith verdeutlichen. Wenn Sie einen detaillierten Einblick in diese bahnbrechende Forschung erhalten m\u00f6chten, lesen Sie gerne den Originalartikel. hier<\/a>. Wenn Ihr Unternehmen die M\u00f6glichkeiten der KI nutzen m\u00f6chte, hat implementi.ai vielleicht genau die richtigen L\u00f6sungen f\u00fcr Sie.<\/p>","protected":false},"excerpt":{"rendered":" Imagine taking a stroll and stumbling upon robots skillfully threading their way through an amazed crowd. Intriguing, yes, but these marvels of modern technology aren’t quite ready to be our all-in-one sous chefs or factory workhorses. A significant part of the puzzle they are yet to solve is efficient learning. Like us humans, they learn best through practical experience. However, immersing robots in diverse learning environments can be quite the task – it’s strenuous and time-consuming. But don’t worry, we have solutions on the horizon. Learning Via Simulations One potential solution gaining traction is the use of simulations as learning […]<\/p>\n","protected":false},"author":4,"featured_media":9183,"comment_status":"","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[46,47],"tags":[],"class_list":["post-9182","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\/9182","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=9182"}],"version-history":[{"count":0,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/posts\/9182\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media\/9183"}],"wp:attachment":[{"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/media?parent=9182"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/categories?post=9182"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/aitrendscenter.eu\/de\/wp-json\/wp\/v2\/tags?post=9182"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Bestnoten f\u00fcr Realismus und Kreativit\u00e4t<\/h5>\n