Neue Ansätze in der Robotik-KI: Datenmenge als Schlüssel zur Leistungssteigerung

Die Entwicklung von Künstlicher Intelligenz (KI) für Robotersysteme steht vor einzigartigen Herausforderungen, insbesondere im Bereich der Datenerhebung. Während große Sprachmodelle (LLMs) auf riesige Mengen öffentlich verfügbarer Textdaten zugreifen können, ist der Zugang zu relevanten Daten für Roboterbewegungen begrenzt. Xiaomi hat mit der Einführung von Xiaomi-Robotics-1 einen Ansatz vorgestellt, der diese Datenlücke schließen und die Skalierungsgesetze, die in der Sprach-KI erfolgreich waren, auf die Robotik übertragen soll. Dieser Artikel beleuchtet die Kernaspekte dieses Modells und die Implikationen für die zukünftige Entwicklung von Robotik-KI.

Die Datenproblematik in der Robotik-KI

Traditionell lernen Roboter Aufgaben wie das Greifen, Heben und Platzieren von Objekten durch mühsame manuelle Steuerung. Ein Mensch führt dabei einen physischen Roboter durch jede einzelne Bewegung. Dieser Prozess ist zeitaufwändig, kostspielig und führt oft zu redundanten Daten, die auf wenige Aufgaben und Umgebungen beschränkt sind. Die Knappheit an qualitativ hochwertigen und vielfältigen Roboterdaten hat die Skalierung von Richtlinienmodellen in der Vergangenheit stark eingeschränkt.

Xiaomi-Robotics-1 zielt darauf ab, diese Einschränkungen zu überwinden. Das Modell ist darauf ausgelegt, sprachliche Anweisungen in unbekannten Umgebungen ohne vorherige Exposition zu befolgen und sich mit geringem zusätzlichem Training an neue Aufgaben anzupassen.

Ein innovativer Ansatz zur Datenerfassung

Handgehaltene Greifer statt teurer Roboter

Um das Datenproblem zu umgehen, verzichtete Xiaomi bei der Datenerfassung weitgehend auf physische Roboter. Stattdessen setzte das Team auf tragbare handgehaltene Greifer mit integrierten Kameras. Eine Person kann diese Greifer einfach aufnehmen und manuell bedienen, um Manipulationsaufgaben in verschiedenen Umgebungen aufzuzeichnen – sei es in Küchen, Büros, Geschäften, Fabrikhallen oder im Freien. Dieser Ansatz ermöglichte die Erfassung von über 100.000 Stunden an Bewegungsaufzeichnungen.

Das resultierende Datenset ist nicht nur umfangreich, sondern auch äußerst vielfältig und deckt über 1.700 Szenarien ab. Dies beinhaltet Haushalts-, Geschäfts-, Industrie- und Außenbereiche.

Automatisierte Datenbeschriftung

Ein Datensatz dieser Größenordnung stellt eine neue Herausforderung dar: Jede Aufzeichnung benötigt eine detaillierte Beschreibung, damit das Modell daraus lernen kann. Eine manuelle Beschriftung wäre hierbei undurchführbar gewesen. Xiaomi löste dieses Problem durch den Einsatz eines weiteren KI-Modells, das jedes Bewegungssegment automatisch mit Text beschreibt. Das Team gibt an, den gesamten Datensatz in etwa zwei Wochen beschriftet zu haben, was die Skalierbarkeit dieses Ansatzes unterstreicht.

Die so gewonnenen Trainingsdaten wurden anschließend auf physische Roboter, einschließlich mobiler Modelle und Zweiarm-Systeme, übertragen. Dabei mussten die Unterschiede zwischen den handgehaltenen Greifern und den Robotersystemen berücksichtigt werden.

Datenmenge über Modellgröße: Eine zentrale Erkenntnis

Tests mit Xiaomi-Robotics-1 zeigten, dass eine größere Modellgröße zwar zu einer Leistungsverbesserung führte, jedoch eine Erhöhung der Trainingsdatenmenge wesentlich größere Effekte erzielte. Die Forscher kommen zu dem Schluss, dass der Fortschritt in der Robotik-KI hauptsächlich von der Sammlung größerer und vielfältigerer Datensätze abhängen wird.

Diese Erkenntnis deckt sich mit Beobachtungen aus anderen Bereichen der KI, beispielsweise der Verarbeitung visueller Daten. Während bei Sprachmodellen Modellgröße und Datenvolumen in einem ähnlichen Verhältnis wachsen sollten, um den Rechenaufwand optimal zu nutzen, zeigt sich bei Modellen, die Bilder verarbeiten, dass zusätzliche Daten wesentlich stärker zur Leistungssteigerung beitragen als eine Vergrößerung des Modells.

Auch bei Tests mit physischen Robotern bestätigte sich dieses Muster. Mit zunehmender Trainingsdatenmenge stieg die Erfolgsquote des Modells in unbekannten Umgebungen von etwa 25 % auf 75 %. Die Forscher betonen, dass sie noch keinen Punkt erreicht haben, an dem zusätzliche Daten keine Leistungsverbesserung mehr bewirken.

Xiaomi-Robotics-1 erzielte nach eigenen Angaben die besten Ergebnisse in Standard-Benchmarks für Robotik-KI. In einer Demonstration packte ein Roboter angeblich einen Koffer ohne menschliche Hilfe, eine Aufgabe, die über zehn Minuten dauerte und die Bewegung durch einen ganzen Raum erforderte.

Anpassungsfähigkeit an neue Aufgaben

Ein Fundamentmodell ist dann am nützlichsten, wenn es sich schnell an neue Aufgaben anpassen kann. Xiaomi testete Xiaomi-Robotics-1 an vier Aufgaben: das Verpacken eines Telefons, das Beladen einer Waschmaschine, das Einführen von Papier in einen Drucker und das Verpacken von Gegenständen in eine Kiste.

Mit weniger als zehn Stunden Trainingsdaten pro Aufgabe erreichte das Modell eine durchschnittliche Erfolgsquote von 75 %. Ein vergleichbares Modell eines Konkurrenten erreichte im selben Test lediglich 40 %. Xiaomi hebt hervor, dass sein Modell besonders gut mit weichen, verformbaren Materialien wie Papier und bei Aufgaben, die eine Bewegung im Raum erfordern, abschnitt.

Auf dem RoboCasa365-Leaderboard führt Xiaomi-Robotics-1 mit deutlichem Vorsprung, insbesondere bei ungesehenen, komplexen Aufgaben. Auch auf dem RoboDojo-Benchmark übertrifft es den Zweitplatzierten um etwa 58 %, obwohl die absoluten Erfolgsquoten hier noch gering sind.

Kontext und zukünftige Entwicklungen

Die Datenerfassung für Roboter bleibt ein zentraler Forschungsbereich in der Robotik, und verschiedene Teams verfolgen unterschiedliche Lösungsansätze. Eine Umfrage zu "World Action Models" zeigte, dass Teleoperationsdaten zwar präzise, aber kostspielig und auf wenige Einstellungen beschränkt sind. Xiaomis handgehaltene Greifer sind ein Versuch, diese Einschränkungen zu überwinden.

Andere Ansätze umfassen:

• Nvidia, Carnegie Mellon University und UC Berkeley: Das ENPIRE-Projekt, bei dem KI-Codierungsagenten eine Flotte von acht Robotern autonom das Greifen von Objekten beibringen. Nvidia verfolgt auch das Ziel, das Datenproblem der Robotik in ein Rechenproblem umzuwandeln, indem synthetische Trainingsdaten generiert werden.
• BAAI Forschungsinstitut (China): Das Orca-Weltmodell lernt aus 125.000 Stunden Videomaterial ohne jegliche Aktionsbeschriftung und erreicht dennoch die Leistung spezialisierter Robotiksysteme bei Manipulationsaufgaben. Während Xiaomi die Beschriftung automatisiert und skaliert, versucht Orca, Beschriftungen vollständig zu eliminieren.

Die Arbeit von Xiaomi passt zu den breiteren Plänen des Unternehmens. Bereits bei der Einführung der MiMo-V2-Modelle im März deutete Xiaomi an, dass diese Agenten in Zukunft Roboter steuern könnten.

Xiaomi plant, das Modell und den Code von Xiaomi-Robotics-1 auf GitHub und Hugging Face zu veröffentlichen. Das gleiche Team hat kürzlich Xiaomi-Robotics-0 als Open Source freigegeben, mit Fokus auf schnelle Echtzeitoperationen.

Schlussfolgerung

Die Ergebnisse von Xiaomi-Robotics-1 liefern überzeugende Beweise dafür, dass eine massive Skalierung der Trainingsdaten ein entscheidender Faktor für die Leistungssteigerung in der Robotik-KI ist. Der innovative Ansatz, Daten mit handgehaltenen Greifern zu sammeln und durch automatisierte Beschriftung zu verarbeiten, könnte einen Weg aufzeigen, wie das Datenproblem in der Robotik effektiv gelöst werden kann. Dies hat das Potenzial, die Entwicklung von Robotersystemen, die in der Lage sind, komplexe Aufgaben in vielfältigen Umgebungen zu meistern, erheblich zu beschleunigen.

Bibliographie

- Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories. arXiv-Preprint. - Xiaomi Robotics: Offizielle Website zu Xiaomi-Robotics-1. - The Decoder: "Xiaomi-Robotics-1 shows that more data beats bigger models when training robots to move" von Jonathan Kemper. - AI Deep Signal: "Xiaomi-Robotics-1 shows that more data beats bigger models..." - China AI Dispatch: "The Cheaper Teacher" von Yuzu Xu. - WorthPosting: "Xiaomi-Robotics-1: When Scaling Laws Finally Arrive in Robotics." - GitHub Repository: XiaomiRobotics/Xiaomi-Robotics-1. - Hugging Face Paper Page: Xiaomi-Robotics-1: Scaling Vision-Language-Action Models with over 100K Hours of Real-World Trajectories.