MIT entwickelt Methode für Roboter bei unklaren Befehlen
Forscher des MIT-Laboratoriums CSAIL haben das Verfahren Masked Inverse Reinforcement Learning entwickelt, das Robotern ermöglicht, vage menschliche Anweisungen durch eine zweistufige Analyse äzise zu interpretieren und in komplexen Umgebungen sicher auszuführen. Das System benötigt dabei nur etwa fünfmal weniger Trainingsdaten als herkömmliche Methoden, zeigte in Tests eine um 15 Prozent höhere Erfolgsquote und kann auch noch unbekannte Befehle dynamisch umsetzen, wobei zukünftig die Integration für eine visuelle Umgebungswahrnehmung geplant ist.
Kurzfassung
Warum das wichtig ist
- Forscher des MIT-Laboratoriums CSAIL haben das Verfahren Masked Inverse Reinforcement Learning entwickelt, das Robotern ermöglicht, vage menschliche Anweisungen durch eine zweistufige Analyse äzise zu interpretieren und in komplexen Umgebungen sicher auszuführen.
- Das System benötigt dabei nur etwa fünfmal weniger Trainingsdaten als herkömmliche Methoden, zeigte in Tests eine um 15 Prozent höhere Erfolgsquote und kann auch noch unbekannte Befehle dynamisch umsetzen, wobei zukünftig die Integration für eine visuelle Umgebungswahrnehmung geplant ist.
- Neue Lösung für unklare Befehle Forscher des MIT-Laboratoriums für Informatik und Künstliche Intelligenz (CSAIL) haben ein Verfahren namens Masked Inverse Reinforcement Learning (Masked IRL) entwickelt, um es Robotern zu ermöglichen, vage Anweisungen zu entschlüsseln, mit denen sie sich in komplexen Umgebungen wie Häusern oder Fabriken bei der Ausführung ihrer Aufgaben konfrontiert sehen.
SvyTech-Check
Redaktionelle Einordnung
Kernpunkt
Das erste Modell verfeinert die unklaren Befehle des Nutzers, indem es diese mit Trainingsdaten vergleicht, die der Roboter zuvor erhalten hat.
Warum relevant
Zum Beispiel wird der Befehl „in der Nähe des Tisches bleiben" in einen technisch präziseren Ausdruck wie „in einem bestimmten Abstand äche bleiben" umgewandelt.
Einordnung
SvyTech ordnet die Meldung aus news.mit.edu als Teil des Themenfelds Technologie ein und verweist auf den Originalartikel, damit Leser Fakten, Quelle und Kontext nachvollziehen koennen.
Dieser Ansatz ermöglicht es Robotern, Details zu verstehen, die vom Nutzer nicht explizit angegeben wurden, aber für die sichere und vollständige Ausführung der Aufgabe Sprachmodell-Architektur Das System basiert auf der koordinierten Arbeit zweier verschiedener großer Sprachmodelle (LLM).
Das erste Modell verfeinert die unklaren Befehle des Nutzers, indem es diese mit Trainingsdaten vergleicht, die der Roboter zuvor erhalten hat. Zum Beispiel wird der Befehl „in der Nähe des Tisches bleiben" in einen technisch präziseren Ausdruck wie „in einem bestimmten Abstand äche bleiben" umgewandelt.
Das zweite Sprachmodell analysiert die umgebenden Objekte und bestimmt, welche davon mit der Aufgabe in Verbindung stehen. Unrelevante Objekte wird eine Punktzahl von 0 und kritischen Elementen eine Punktzahl von 1 zugewiesen, wodurch ein Maskierungsprozess durchgeführt wird.
Dadurch konzentriert sich die Bewegungsalgorithmik des
Quellenprofil
Quelle und redaktionelle Angaben
- Quelle
- news.mit.edu
- Canonical
- https://svytech.de/artikel/mit-entwickelt-methode-fur-roboter-bei-unklaren-befehlen
- Quell-URL
- https://news.mit.edu/2026/llms-help-robots-understand-vague-instructions-and-focus-key-details-0626
Aehnliche Inhalte
Verwandte Themen und interne Verlinkung
Weitere Artikel aus aehnlichen Themenfeldern, damit Leser direkt im selben Kontext weiterlesen koennen.
US-Regierung verzögert OpenAI GPT-5.6
Das US-Handelsministerium und die Nationale Cyberdirektion haben OpenAI dazu verpflichtet, das neue GPT-5.6-Modell vor einer allgemeinen Veröffentlichung einer 30-tägigen Regierungsprüfung zu unterziehen, um den technologischen Vorsprung gegenüber China zu wahren. Diese Maßnahmen, die auch das Anthropic-Modell Fable 5 betreffen, lösen in der Branche Besorgnisse aus, dass strenge Überwachungsmechanismen und Exportkontrollen die Innovationsgeschwindigkeit der KI-Entwicklung verlangsamen könnten.
26.06.2026
Live Redaktion
