InterEvolve: Humanoide Roboter steigern Erfolgsquote von 8 auf 86,5 Prozent
Veröffentlicht am: 02.10.2026 um 12:48 Uhr | Redaktion boerse-global.de
Ein Forschungsteam der University of Illinois Urbana-Champaign (UIUC) hat ein Framework namens InterEvolve vorgestellt, das die zielbedingte Erfolgsquote humanoider Roboter bei komplexen Aufgaben der kombinierten Fortbewegung und Manipulation deutlich verbessert.
Wie aiweekly.co am 2. Oktober 2026 berichtete, verfeinert das System Belohnungsprogramme direkt zur Testzeit. Dadurch stieg die Erfolgsquote bei den entsprechenden Aufgaben von 8 Prozent mit herkömmlichen, von Menschen geschriebenen Belohnungen auf 86,5 Prozent.
Anpassung zur Testzeit ohne erneutes Modelltraining
Das InterEvolve-System setzt darauf auf, vorhandene Fähigkeiten humanoider Roboter flexibel für neuartige Aufgaben nutzbar zu machen. Kern des Ansatzes ist die Kombination eines objektbewussten Verhaltens-Grundmodells mit einem Agenten auf Basis großer Sprachmodelle (LLM).
Der technologische Fortschritt in der Robotik und KI verändert industrielle Abläufe grundlegend und schafft neue Marktverhältnisse. Dieser kostenlose Report analysiert, welche Unternehmen die nächste industrielle Revolution maßgeblich vorantreiben und davon profitieren. Robotik und KI: So erkennen Sie die Profiteure der neuen Industrieära
Dieser LLM-Agent passt die Belohnungsprogramme zur Testzeit dynamisch an, wodurch die Roboter neu Gelerntes behalten können, ohne dass ein vollständiges erneutes Training des gesamten Modells erforderlich wird.
Während dieses Anpassungsprozesses bleibt der zugrunde liegende Controller des Roboters unverändert. Die Aufgabenverteilung im Framework ist zweigeteilt: Der LLM-Agent überarbeitet die strukturelle Zusammensetzung des Belohnungsprogramms, während das Optimierungsverfahren CMA-ES (Covariance Matrix Adaptation Evolution Strategy) die zugehörigen Zahlenparameter feinjustiert. Für die evolutionäre Anpassung benötigte das System laut den UIUC-Forschern lediglich 2,1 GPU-Stunden je Aufgabe.
Präzisere Objektverfolgung und Tests auf physischer Plattform
Neben der allgemeinen Erfolgsquote wirkte sich das Framework auch messbar auf die Steuerungspräzision aus. Den Angaben zufolge sank der Referenzverfolgungsfehler für Objekte von 30,80 auf 24,92 Zentimeter. Die Erfolgsquote des zugrunde liegenden objektbewussten Basismodells lag bei 72 Prozent, bevor InterEvolve die Leistung weiter anhob.
Wer sich mit zukunftsweisenden Technologien wie autonomer Robotik befasst, sollte auch die rechtlichen Rahmenbedingungen kennen. Der kompakte Leitfaden zum EU AI Act erklärt Unternehmen die wichtigsten Pflichten und Fristen für den sicheren Einsatz von KI-Systemen. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Die Funktionsfähigkeit des Systems demonstrierten die Wissenschaftler der UIUC sowohl in computergestützten Simulationen als auch auf einer physischen Plattform. Bei den praktischen Versuchen agierte ein humanoider Roboter vom Typ Unitree G1 autonom.
Für die visuelle Erfassung und Lageerkennung griffen die Forscher auf FoundationPose sowie die integrierten Bordkameras des Roboters zurück, um die Aufgaben ohne externe Hilfsmittel direkt im realen Raum zu bewältigen.
