MAIA: Weltmodell aus Bild, Aktion und Kraft warnt vor Kontaktfehlern, bevor sie auftreten
Das Verfahren prognostiziert Bild und Kraft einer geplanten Bewegung und meldet Kontaktanomalien im Voraus. Laut Preprint stieg die Erfolgsquote über 18 reale Aufgaben von 52,6 auf 61,5 Prozent.
Kann ein Roboter vor der Ausführung eines Aktionsblocks einschätzen, ob die Bewegung eine kontaktreiche Aufgabe in eine Störung wie Verklemmen, Rutschen oder Kontaktverlust führt?
Aktuelle Manipulations-Policies planen Dutzende Schritte voraus, die Überwachung reagiert aber erst, wenn eine Abweichung sichtbar ist. Kameras zeigen Geometrie, verraten Kontaktkraft, Reibung und Widerstand jedoch nur indirekt, und eine geplante Aktion beschreibt die gewollte Bewegung, nicht die Reaktion des Werkstücks. Bestehende Fehlerdatensätze markieren meist nur ganze Episoden als Erfolg oder Misserfolg und enthalten selten Kraftdaten.
Out-of-Distribution-Detektoren (PCA-KMeans, LogpZO) schlagen auch bei harmlosen Abweichungen in Tempo oder Lage an. SAFE-LSTM nutzt interne VLA-Merkmale, fiel in den Tests dieser Arbeit aber von 0,724 balancierter Genauigkeit auf bekannten Aufgaben auf 0,495 bei neuen. Fortschrittsmodelle (Robo-Dopamine, Robometer) liefern indirekte Signale mit vielen Fehlalarmen, der Weltmodell-Monitor WCM blickt nur einen Schritt voraus.
MAIA erweitert das Videoweltmodell GE-Base um einen Aktions- und Kraftpfad: Zukünftige Aktionen werden als Token kodiert, die per Cross-Attention auf die jüngsten Messwerte des Handgelenk-Kraftsensors zugreifen, und über gegatete Adapter in den Video-Transformer eingespeist. Trainiert nur auf Normalabläufen, prognostiziert das Modell Bild und Kraft für die nächsten 50 Regelschritte, rund 1,7 Sekunden bei 30 Hz. Ein kleiner Anomaliekopf schätzt daraus die Wahrscheinlichkeit einer Störung im Fenster und ihren Zeitanteil. Dazu kommt der reale Datensatz CRIA: 2.852 Trajektorien aus 18 Aufgaben, aufgenommen mit einer Franka Research 3, einem ATI-Sechsachs-Kraftsensor und drei RealSense-Kameras, mit bildgenauen Anomalie-Labels; 1.817 Trajektorien enthalten mindestens eine Störung.
Auf 13 bekannten Aufgaben erreichte MAIA AUPRC 0,738, balancierte Genauigkeit 0,765, eine Vorwarnrate von 0,464 und im Median 28,0 Schritte Vorlauf; der stärkste Vergleich WCM kam auf 0,669, 0,702, 0,242 und 17,7 Schritte. Auf fünf neuen Aufgaben blieben 0,728 AUPRC, 0,710 Genauigkeit und 25,1 Schritte Vorlauf. Ohne Krafteingang sank die mittlere Genauigkeit von 0,765 auf 0,689. Mit 25 Trajektorien einer neuen Aufgabe stieg sie von 0,615 auf 0,762. Am realen Roboter wählte MAIA unter acht pi0.5-Kandidaten den mit der geringsten Anomaliewahrscheinlichkeit; die Erfolgsquote über 18 Aufgaben mit je 30 Versuchen pro Methode stieg von 52,6 auf 61,5 Prozent, beim Wischen von 46,7 auf 66,7 Prozent, beim Fügen blieb sie bei 63,3 Prozent.
Es handelt sich um ein Preprint eines Labors mit einem Roboter und einem Sensortyp; die Übertragung auf andere Kinematiken und Sensoren ist laut Autoren offen. Das Vorhersagefenster ist fest, die Methode warnt, diagnostiziert und behebt aber nicht. Aus Sicht von MEKAWIRE fehlt eine Angabe zu Rechenaufwand und Latenz, wenn bei jedem Planungsschritt acht Kandidaten durch ein Videoweltmodell laufen; davon hängt der Einsatz auf Industriesteuerungen ab. Die Labels stammen von menschlichen Annotatoren.
Kraftbasierte Fehlerprognose ist für Montage, Schleifen, Kabelverlegung und Kommissionierung relevant, wo ein Verklemmen die Linie stoppt. Für europäische Anbieter wie Franka Robotics, deren Arm hier eingesetzt wurde, und für Kraftsensorhersteller ist das ein Argument für Sensorik an jedem Arm. Weil nur Kandidaten neu gereiht werden, passt der Ansatz zu Integratoren, die geschlossene Foundation-Modelle nicht nachtrainieren können. Realistisch ist ein Zeithorizont von ein bis drei Jahren.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.