Wetenschappers hebben een innovatief framework geïntroduceerd dat de verwerkingstijd van World Action Models (WAMs) drastisch reduceert. Deze ontwikkeling stelt robots in staat om sneller en preciezer te reageren in dynamische situaties, wat een cruciale stap is richting geavanceerdere belichaamde intelligentie.
In een wetenschappelijk rapport dat op 12 oktober 2026 verscheen, presenteren onderzoekers zoals Yongchang Zhang en Zengyuan Zuo het systeem genaamd MARS. WAMs zijn in staat om gelijktijdig toekomstige toestanden van de wereld en de bijbehorende acties van een robot te voorspellen. Echter, de praktische toepassing hiervan wordt vaak belemmerd door aanzienlijke latentie. Volgens de publicatie op arxiv.org wordt deze vertraging veroorzaakt door iteratieve generatieve inferentie en zware visuele codering. Dit maakt hoogfrequente 'closed-loop' controle, die essentieel is voor veilige en vloeiende bewegingen, problematisch.
Het MARS-framework is ontwikkeld om deze computationele redundantie aan te pakken zonder dat er extra training nodig is. Waar eerdere optimalisatiemethoden vaak slechts één fase van het proces verbeterden — wat soms leidde tot een verslechtering van de controle — hanteert MARS een integrale aanpak op drie niveaus. Ten eerste worden berekeningen in de 'attention'-laag selectief verwijderd als deze weinig impact hebben op het resultaat. Ten tweede wordt de inferentie van diffusie adaptief versneld op basis van de bewegingsgranulariteit. Ten slotte maakt het systeem gebruik van speculatief hergebruik van visuele representaties, waarbij een online verificatiesysteem de accuraatheid bewaakt.
De prestaties van het framework zijn uitgebreid getest in diverse gesimuleerde omgevingen. De resultaten tonen aan dat MARS een aanzienlijke snelheidswinst boekt zonder het succespercentage van de taken te verlagen. Zo werd in de LIBERO-omgeving een versnelling van 4,00x geregistreerd, terwijl dit in LIBERO-PRO 3,94x was en in RoboCasa 2,10x, zoals verder uitgewerkt in de . Het systeem blijkt bovendien generaliseerbaar voor verschillende model-backbones en is succesvol toegepast bij zowel fysieke robots als in simulaties.
Deze vooruitgang in softwarematige optimalisatie vindt plaats binnen een breder technologisch landschap waarin robotica een sleutelrol speelt. Naast academisch onderzoek is robotica essentieel voor wetenschappelijke exploratie buiten de aarde. Zo biedt nasa.gov uitgebreide informatie over de inzet van robotische systemen voor de verkenning van de rode planeet, waarbij autonome voertuigen zoals de Perseverance-rover worden ingezet.
Hoewel de naam van het nieuwe AI-framework overeenkomt met de planeet en diverse commerciële entiteiten, is er geen inhoudelijke link met de zakelijke sector. Zo richt mars.com zich als wereldwijde speler op de markten voor snacks, voedingsmiddelen en huisdierenzorg, met een focus op duurzaamheid en maatschappelijke projecten.
Met de introductie van MARS is een belangrijk knelpunt in de robotica aangepakt. De balans tussen complexe, voorspellende intelligentie en de noodzaak voor real-time reactiesnelheid is hiermee aanzienlijk verbeterd, wat de weg vrijmaakt voor robots die natuurlijker en sneller interageren met hun omgeving.