Ein neuer KI-Algorithmus soll Robotern dabei helfen, das Lernen zu beschleunigen und ihre Fähigkeiten in der realen Welt zuverlässig einzusetzen. Der Ansatz dabei wirkt auf den ersten Blick allerdings kontraintuitiv, denn er basiert darauf, dass Roboter ihre Umgebung möglichst zufällig erkunden.

Diese Methode soll den Robotern dabei helfen, eine Vielzahl von Erfahrungen zu sammeln, aus denen dann ein robuster Datensatz entsteht. Dieser Datensatz ermöglicht es den Robotern, schneller und effizienter zu lernen.

Das Modell nennt sich Maximum Diffusion Reinforcement Learning (MaxDiff RL) und wurde von Forschern der Northwestern University entwickelt. Laut einem Bericht von Sci Tech Daily übertrifft dieses Modell konsequent andere hochmoderne KI-Plattformen und Algorithmen.

Eine Eigenschaft von MaxDiff RL ist, dass Roboter neue Fähigkeiten erlernen und diese sofort fehlerfrei anwenden können, oft schon beim ersten Versuch. Das stellt eine signifikante Verbesserung gegenüber anderen Modellen dar, die hauptsächlich durch wiederholtes Ausprobieren und Scheitern lernen.

Die Entwicklung von KI für Roboter stellt größere Herausforderungen dar als die Entwicklung von körperlosen KI-Systemen, wie ChatGPT. Todd Murphey, Professor für Maschinenbau und Hauptautor der Studie, erläutert zwei wesentliche Unterschiede:

„Erstens sind körperlose Systeme nicht an physikalische Gesetze gebunden. Zweitens haben individuelle Fehler in solchen Systemen selten weitreichende Konsequenzen. Bei Informatikanwendungen reicht es meist aus, wenn sie überwiegend erfolgreich sind. In der Robotik jedoch könnte ein einziger Fehler katastrophale Folgen haben.“

Der neue Algorithmus könnte breit in der Robotik eingesetzt werden, beispielsweise bei selbstfahrenden Autos, Haushaltsrobotern oder einem Roboterarm in der Küche, meinen die Forscher. Die Ergebnisse dieser Forschung wurden im Journal Nature Machine Intelligence veröffentlicht.