Onderzoekers hebben een nieuw systeem genaamd AgenticTask ontwikkeld om de productie van bruikbare taken voor robots in simulaties te automatiseren. Het framework maakt gebruik van agent-gebaseerde AI om bestaande taakcollecties uit te breiden, wat de kosten en tijd voor handmatige validatie aanzienlijk vermindert.
Het opschalen van interactiedata voor zogenaamde 'embodied AI' — kunstmatige intelligentie die in een fysiek lichaam of robot is geplaatst — vormt een grote uitdaging. Volgens een recent onderzoekspapier dat op 19 november 2026 werd gepubliceerd via arxiv.org, is het definiëren en valideren van individuele taakinstanties momenteel een kostbaar proces. Om dit op te lossen, presenteren auteurs zoals Kang Wang en Xiaolei Zhou het AgenticTask-framework, dat is ontworpen om taakcollecties uit te breiden op basis van menselijke intenties.
Werking van het AgenticTask-framework
Het systeem werkt via een centrale representatie die interactie-eisen koppelt aan specifieke objecten, robotconfiguraties, begincondities en criteria voor voltooiing. Het proces is opgedeeld in twee hoofdfuncties:
- Taakgeneratie: Een gespecialiseerde agent hergebruikt bestaande interactiestructuren om nieuwe variaties te creëren. Wanneer configuraties incompatibel blijken, past de agent deze aan op basis van feedback uit validatieprocessen.
- Taakuitvoering: Een tweede agent gebruikt dezelfde geometrische gegevens en bindingen om geschikte robotvaardigheden te selecteren en te controleren of de taak volgens de oorspronkelijke criteria is voltooid.
Deze aanpak sluit aan bij de bredere definitie van Agentic AI. Zoals beschreven door geeksforgeeks.org, onderscheidt Agentic AI zich van traditionele systemen doordat het autonoom beslissingen neemt, acties plant en tools gebruikt om specifieke doelen te bereiken met minimale menselijke tussenkomst. In plaats van enkel informatie te verstrekken, onderneemt een agentic systeem actieve stappen om een taak te voltooien.
Resultaten in de RoboCasa-omgeving
Om de effectiviteit van het framework te testen, is AgenticTask toegepast op de RoboCasa-omgeving. De resultaten tonen een aanzienlijke productiviteit in de constructie van synthetische data. Uit de blijkt dat het systeem 16.450 taakinstanties heeft gered uit een totaal van 20.323 pogingen. Dit resulteerde in een doorvoersnelheid van gemiddeld 166,97 succesvolle instanties per uur.
Wat betreft de technische haalbaarheid, slaagden 62,26% van de constructiepogingen voor de geconfigureerde fysieke controles. De uitvoeringagent kon ongeveer 38% van de geëvalueerde taken succesvol afronden. De succesvolle gevallen varieerden van het plaatsen van objecten en sequentiële schikkingen tot complexere manipulaties van gearticuleerde objecten.
Analyse en toekomstperspectief
Ondanks de positieve resultaten wijst een diagnostische analyse in het op verschillende verbeterpunten. De onderzoekers identificeren prioriteiten voor toekomstige optimalisatie, waaronder:
* De betrouwbaarheid van de constructie van taken.
* De nauwkeurigheid bij de selectie van acties.
* De compatibiliteit tussen de taak en de robot.
* De integratie tijdens de runtime.
Het AgenticTask-framework biedt hiermee een fundament voor het op grote schaal verzamelen van interactiedata. Door de autonomie en het probleemoplossend vermogen van Agentic AI — kenmerken die volgens essentieel zijn voor dynamische omgevingen — kan de ontwikkeling van embodied AI versneld worden zonder dat elke nieuwe taak handmatig door een mens moet worden gespecificeerd.