Foundation Model (Robotik).Was der Begriff bedeutet.

Klassische Lernverfahren in der Robotik trainieren ein eigenes Modell für jede Aufgabe, oft mit kleinen Datensätzen. Die Übersichtsarbeit von Firoozi und Kollegen (arXiv:2312.07843) beschreibt den Unterschied: Foundation Models werden auf Daten in Internetgröße vortrainiert und zeigen bessere Verallgemeinerung. In einzelnen Fällen lösen sie Aufgaben ohne eigenes Training, die in den Trainingsdaten nicht vorkamen.

In einem Roboter können Foundation Models an mehreren Stellen sitzen. Ein Sprachmodell kann eine Anweisung in Teilschritte zerlegen oder Programmcode erzeugen. Ein Bild-Sprach-Modell kann Gegenstände erkennen und benennen. Ein robotereigenes Modell, etwa ein VLA-Modell, gibt direkt Bewegungsbefehle aus. Die Übersichtsarbeit ordnet diese Rollen entlang der Kette von Wahrnehmung über Entscheidung bis Regelung.

Ein Schritt zu robotereigenen Foundation Models war der Datensatz Open X-Embodiment (arXiv:2310.08864). Er bündelt Daten von 22 verschiedenen Robotern aus 21 Einrichtungen mit 527 Fertigkeiten. Die Autoren zeigten, dass ein darauf trainiertes Modell die Fähigkeiten mehrerer Roboter verbessert, weil es Erfahrungen anderer Plattformen nutzt. Ein Ergebnis der Arbeit war, dass Daten unterschiedlicher Roboter einander nützen können. Das ist für den Markt wichtig, weil kein einzelner Hersteller alle Situationen selbst aufzeichnen kann.

Zu den Grenzen zählen Rechenbedarf, Antwortzeit und Nachvollziehbarkeit. Große Modelle laufen oft nicht vollständig auf dem Roboter, sondern teilweise auf einem Server. Daraus folgen Fragen zu Latenz, Ausfallsicherheit und Datenschutz. Für Sicherheitsfunktionen ist ein Foundation Model nicht vorgesehen. Hinzu kommt die Frage der Aktualisierung. Wird ein Foundation Model durch eine neue Version ersetzt, kann sich das Verhalten des Roboters ändern. Für ein Werk heißt das: Neue Modellversionen sollten wie jede andere Software geprüft und freigegeben werden, bevor sie in die Flotte gehen.