HiFi-UMI: Wie wir Robotern komplexe Aufgaben beibringen, ohne sie zu berühren

Die größte Hürde bei der Entwicklung intelligenter Roboter ist heute nicht mehr nur die Rechenleistung, sondern der Mangel an hochwertigen Daten. Bisher mussten Experten Roboter mühsam per Fernsteuerung (Teleoperation) anleiten, um Trainingsdaten zu sammeln – ein Prozess, der teuer, langsam und schwer skalierbar ist. Eine neue Forschungsarbeit stellt nun HiFi-UMI vor, ein System, das diesen Flaschenhals durchbricht und zeigt, dass Roboter allein durch die Beobachtung menschlicher Handbewegungen lernen können, ohne jemals eine "Anker-Demonstration" am echten Gerät zu benötigen.

Die Herausforderung der Datenqualität

In der Robotik galt lange das Credo: Um einen Roboter zu trainieren, braucht man einen Roboter. Zwar gab es Versuche, Daten durch tragbare Kamerasysteme (Universal Manipulation Interface, kurz UMI) zu sammeln, doch die Qualität dieser Daten reichte oft nicht aus. Die Ungenauigkeiten bei der Erfassung von Bewegungen im Millimeterbereich führten dazu, dass die KI-Modelle in der realen Welt scheiterten. HiFi-UMI setzt genau hier an und optimiert die Hardware- und Software-Architektur so radikal, dass die Datenpräzision die von teuren Industriesensoren erreicht.

Präzision im Millimeterbereich durch tragbare Sensoren

Das HiFi-UMI-System besteht aus einer tragbaren Einheit mit zwei Ultra-Weitwinkelkameras pro Hand, die ein Sichtfeld von fast 200 Grad abdecken. Durch den Einsatz von Stereo-Inertial-SLAM (einem Verfahren zur räumlichen Orientierung) und einer mikrosekundengenauen Synchronisation erreicht das System eine Genauigkeit von 3 Millimetern im lokalen Arbeitsraum. Das Besondere: Diese Präzision wird ohne externe Tracking-Infrastruktur erreicht. Ein Mensch kann die Sensoren einfach tragen, eine Aufgabe wie das Einsetzen eines Steckers ausführen, und das System zeichnet die Daten in einer Qualität auf, die direkt für das KI-Training nutzbar ist.

Zero-Robot Training: Von der Kamera direkt in die Fabrikhalle

Die beeindruckendste Erkenntnis der Studie ist das sogenannte "Zero-Robot Post-Training". Die Forscher konnten zeigen, dass eine KI, die ausschließlich mit HiFi-UMI-Daten trainiert wurde, Aufgaben auf einem echten Roboter genauso gut bewältigt wie eine KI, die mit herkömmlichen, teuren Teleoperations-Daten trainiert wurde. Bei einer Präzisionsaufgabe erreichte das System eine Erfolgsquote von 85 % – und das, obwohl der Roboter die spezifische Umgebung während des Trainings nie gesehen hatte. Dies beweist, dass die hohe Treue (Fidelity) der Daten den physischen Roboter während der Lernphase überflüssig macht.

Praktische Bedeutung für Unternehmen

Für die Wirtschaft bedeutet HiFi-UMI eine massive Beschleunigung der Automatisierung. Unternehmen müssen keine kostspieligen Roboterflotten mehr vorhalten, nur um Daten zu generieren. Stattdessen können Mitarbeiter in verschiedenen Umgebungen weltweit Demonstrationen mit tragbaren Sensoren aufzeichnen. Mit dem nun veröffentlichten HiFi-UMI-2K-Datensatz, der 2.000 Stunden an hochpräzisen Demonstrationen umfasst, steht der Community zudem eine wertvolle Ressource zur Verfügung, um die nächste Generation von "Vision-Language-Action"-Modellen zu entwickeln. Der Weg zu Robotern, die durch einfaches Zuschauen lernen, ist damit ein großes Stück kürzer geworden.