⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Nieuwe benchmark 'RoboTeam' test coördinatie van grote groepen robotarmen in realtime

Nieuwe benchmark 'RoboTeam' test coördinatie van grote groepen robotarmen in realtime

Onderzoekers hebben RoboTeam ontwikkeld, een nieuwe gesimuleerde benchmark die de capaciteiten van multimodale agenten test bij het aansturen van vier tot zestien robotarmen tegelijkertijd. Het systeem richt zich op complexe, langdurige taken die uitsluitend op basis van camerabeelden en in realtime moeten worden uitgevoerd.

In een recent onderzoek, gepubliceerd op 17 november 2026, presenteren Changxuan Fan en een team van twintig andere auteurs een nieuwe methode om de controle van meerdere robotarmen te evalueren. Volgens de publicatie op arxiv.org schieten bestaande benchmarks tekort omdat ze vaak slechts één of twee armen testen op korte opdrachten, de simulatie pauzeren terwijl de AI nadenkt, of de AI voorzien van exacte objectposities. RoboTeam doorbreekt deze beperkingen door een omgeving te creëren waarin de wereld nooit stopt en de agenten enkel visuele informatie via camera's ontvangen.

Complexe samenwerking en uitdagingen

De benchmark bestaat uit 36 uiteenlopende taken die een hoge mate van samenwerking vereisen. Voorbeelden hiervan zijn het doorgeven van houten balken of het samenstellen van een afbeelding met behulp van honderden kleine kubussen. De focus ligt hierbij op "long jobs", waarbij de robotarmen nauwkeurig op elkaar moeten worden afgestemd om het einddoel te bereiken.

De onderzoekers testten verschillende systemen om deze armen aan te sturen. Het meest flexibele model is het adaptieve systeem, waarbij één centrale agent bepaalt wanneer er delegaten moeten worden aangesteld. In dit scenario presteerden modellen zoals gpt-6.1-sol en opus-5.5 het best, met respectievelijk 28 en 27 voltooide taken. Andere geteste modellen slaagden er in maximaal drie taken in.

De prijs van precisie

Hoewel sommige modellen succesvol waren in het voltooien van de taken, wijst de publicatie op op een aanzienlijke kostprijs in termen van tijd en rekenkracht. Voor gpt-6.1-sol duurde een typische taak gemiddeld 3,5 uur en vereiste dit 218 miljoen input tokens. Bovendien bleek het systeem niet volledig betrouwbaar: ongeveer een derde van de stappen mislukte minstens één keer, waardoor acties opnieuw uitgevoerd moesten worden.

Naast het adaptieve systeem werden drie andere architecturen vergeleken:
* Single-agent: Gebruikt minder tokens, maar is 1,6 keer trager.
* Hiërarchisch: Sneller dan de single-agent aanpak, maar verbruikt meer tokens.
* Gedecentraliseerd: Eveneens sneller, maar verbruikt tot 1,9 keer zoveel tokens als andere methoden.

De conclusie van de auteurs is dat geen enkel huidig model of systeem tegelijkertijd snel, goedkoop en betrouwbaar is. RoboTeam dient daarom vooral als instrument om de huidige limieten van AI-gestuurde robotica in kaart te brengen.

Context en technische details

Het onderzoek is ingediend onder de categorieën Robotics en Artificial Intelligence. Het volledige document van 17 pagina's bevat 15 figuren en 10 tabellen die de prestaties van de verschillende agenten en systemen gedetailleerd onderbouwen. De resultaten tonen aan dat het aansturen van een groot aantal robotarmen in een dynamische omgeving zonder externe positiegegevens een aanzienlijke uitdaging blijft voor moderne multimodale AI.

Terwijl de wetenschappelijke wereld zich richt op deze geavanceerde automatisering, blijven eenvoudiger vormen van robotdetectie in het dagelijks leven aanwezig. Zo maken commerciële websites, zoals die van de belgiantrain.be, nog steeds gebruik van captcha-systemen om te verifiëren of een bezoeker een mens is of een robot, om zo ongewenste automatische toegang te voorkomen.

De volledige details van de benchmark en de gebruikte modellen zijn terug te vinden in de wetenschappelijke publicatie via .

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!