Das Robotikunternehmen Sunday Robotics hat mit seinem Modell ACT-2 einen wichtigen Fortschritt erzielt. Der Roboter erreichte eine autonome Erfolgsquote von 99,1 Prozent beim Wäschefalten in verschiedenen, unbekannten Haushaltsumgebungen. Dieses Ergebnis wurde ohne spezifische Anpassungen an einzelne Haushalte erreicht und könnte die Entwicklung von Haushaltsrobotern maßgeblich beeinflussen.
Wichtige Erkenntnisse
- Sunday Robotics hat das ACT-2-Modell vorgestellt, das eine Erfolgsrate von 99,1 % beim Wäschefalten in ungesehenen Umgebungen erzielt.
- Das Unternehmen führt den neuen Industriestandard „Solve“ ein, der Aufgaben nach Leistung, Umfang und Anpassungskosten bewertet.
- ACT-2 überwindet die „Generalisierungslücke“, indem es durch umfangreiches Vortraining übertragbare Verhaltensweisen aus einem einzigen Feinabstimmungsbeispiel lernt.
- Der Memo-Roboter zeigte selbstständige Fähigkeiten, wie das Aufheben heruntergefallener Kleidung und die Fortsetzung von Aufgaben trotz Störungen.
ACT-2: Ein Meilenstein in der Haushaltsrobotik
Sunday Robotics hat mit seinem neuesten Modell ACT-2 einen bedeutenden Schritt in der Entwicklung von Haushaltsrobotern gemacht. Das System demonstriert eine bemerkenswerte Fähigkeit, Wäsche in einer Vielzahl von realen Wohnumgebungen selbstständig zu falten. Diese Leistung ist besonders hervorzuheben, da sie ohne vorherige Datensammlung oder spezielle Anpassungen an die jeweilige Umgebung erzielt wurde.
Das Unternehmen bewertete ACT-2 in 25 verschiedenen Haushalten. Dabei umfassten die Tests unterschiedliche Bettkonfigurationen, Lakenfarben und Lichtverhältnisse. Das Ergebnis: eine beeindruckende Erfolgsquote von 99,1 Prozent. Dies zeigt, dass der Roboter in der Lage ist, sich an unvorhergesehene Situationen anzupassen und Aufgaben zuverlässig auszuführen.
Faktencheck
- Erfolgsrate: 99,1 % beim Wäschefalten.
- Testumgebungen: 25 verschiedene, ungesehene Haushalte.
- Anpassungskosten: Null pro Haushalt.
- Gefaltete Wäschestücke: 785 autonome Versuche.
- Durchschnittliche Faltzeit: 2 Minuten und 13 Sekunden.
Überwindung der „Generalisierungslücke“
Der zentrale technische Fortschritt von ACT-2 liegt in der Lösung der sogenannten „Generalisierungslücke“. In der Robotik führt das Training mit eng begrenzten Datensätzen oft zu guten Ergebnissen in bekannten Umgebungen, scheitert jedoch in neuen Situationen. Dies wird als Overfitting bezeichnet.
Sunday Robotics hat herausgefunden, dass durch das Skalieren des Vortrainings mit sehr diversen Daten die Generalisierungslücke erheblich verkleinert werden kann. Diese Daten werden über ein proprietäres „Skill Capture Glove“-Ökosystem gesammelt. Ein stärkeres vortrainiertes Modell ermöglicht es, dass lokale Leistungsverbesserungen, die durch schnelle interne Iterationen erzielt werden, auf ungesehene reale Haushalte übertragbar sind. ACT-2 kann sogar ein neues, übertragbares Faltverhalten aus einer einzigen überwachten Feinabstimmungsdemonstration lernen.
„Die Industrie muss über erste Demonstrationen hinausgehen und messen, wie die Leistung unter realen Bedingungen standhält.“ – Sunday Robotics
Einführung des „Solve“-Frameworks
Um diesen Erfolg besser einzuordnen, schlägt Sunday Robotics ein neues Bewertungsframework namens „Solve“ vor. Ein „Solve“ erfordert von Entwicklern, drei Parameter explizit zu definieren: Leistung, Umfang und Anpassungskosten. Dieses Framework kritisiert die derzeitige Abhängigkeit der Branche von hochkontrollierten Demonstrationen.
Für den Wäschefalt-„Solve“ von ACT-2 umfasste der definierte Umfang neun verschiedene Kleidungsstücktypen, von Babykleidung der Größe XXS bis hin zu Hemden der Größe 8XL, in willkürlich zerknitterten Ausgangskonfigurationen. Die Anpassungskosten wurden dabei explizit mit null pro Haushalt festgelegt. Dies unterstreicht den Anspruch des Unternehmens, eine echte Generalisierung zu erreichen.
Hintergrundinformationen
Die Analogie zur Luftfahrt der Wright-Brüder, deren erster Flug 1903 nur zwölf Sekunden dauerte, betont die Notwendigkeit, in der Robotik von Machbarkeitsnachweisen zu zuverlässiger Leistung in der realen Welt überzugehen. Sunday Robotics argumentiert, dass die Branche sich von reinen Demonstrationen lösen und die Leistung unter wechselnden realen Bedingungen messen muss.
Qualität und emergent behaviours
Die Leistung von ACT-2 wurde über 785 autonome Faltversuche gemessen. Unabhängige Gutachter bewerteten die Ergebnisse nach einem strengen Fünf-Sterne-Schema, das Überfalten, Fehlausrichtung und Stapelinstabilität bestrafte. Die 778 erfolgreichen Faltungen erreichten eine durchschnittliche Qualitätsbewertung von 4,72 von 5 Sternen, wobei 98,3 Prozent die Vier- oder Fünf-Sterne-Qualitätsanforderung erfüllten. Die Faltungen wurden in einer mittleren Zeit von 2 Minuten und 13 Sekunden abgeschlossen.
Über die reinen Metriken hinaus zeigte ACT-2 beeindruckende „emergent behaviors“ unter unvorhergesehenen Bedingungen. Da echte Haushalte oft chaotisch sind, lernte das Modell, unordentliche Zwischenzustände als wiederherstellbar und nicht als Sackgassen zu behandeln. Der Memo-Roboter konnte erfolgreich auf den Boden gefallene Kleidung aufheben, starke Zerknitterungen bewältigen und seinen Arbeitsablauf trotz adverser Störungen beibehalten, wie zum Beispiel einem Kind, das im Arbeitsbereich mit Legos spielte, oder plötzlichen Lichtwechseln von dunkel zu hell.
Die physische Reichweite des Memo-Roboters
Das Handling von Objekten, die so klein wie ein Babyhemd und so groß wie ein Badetuch sind, erfordert eine erhebliche physische Reichweite. Sunday Robotics betont, dass dies ihren „Full-Stack“-Ansatz bestätigt: Der Memo-Roboter nutzt eine rollende Basis und eine teleskopierbare Wirbelsäule, um sich neu zu positionieren und in Arbeitsbereiche hineinzulehnen. Dies erweitert seine Betriebsreichweite weit über die eines festen Tischaufbaus hinaus.
Sunday Robotics hat seine Forschung mit einer kürzlich abgeschlossenen Serie-B-Finanzierungsrunde in Höhe von 165 Millionen US-Dollar unterstützt, um den Übergang vom Labor in die reale Welt zu beschleunigen. Während sich das Unternehmen darauf vorbereitet, Memo im Rahmen seines Beta-Programms 2026 an Familien auszuliefern, dient ACT-2 als überzeugender Beweis dafür, dass ihr datenbasierter, auf Generalisierung ausgerichteter Ansatz erfolgreich auf andere Haushaltsaufgaben wie Staubsaugen, Reißverschlüsse schließen und Spielzeug organisieren skaliert werden könnte.
