Wenn hundert Roboter einen Gang teilen

Im Gang steht eine Palette. Der erste Roboter hält an. Hinter ihm kommt ein beladener Transporter, von der anderen Seite ein dritter. Niemand hat einen außergewöhnlichen Fehler gemacht. Ein gewöhnliches Lagerdetail ist mitten in einen Plan geraten.

Stellen wir uns dort hundert Roboter vor. Irgendwo wartet ein Mensch auf die nächste Ladung. Er braucht keine hundert Erklärungen zum Hindernis, sondern einen Weg, wie die Arbeit weitergeht. Bei physischer KI beschäftigt mich genau das: Die Maschinen müssen dieselbe Welt miteinander teilen.

Der Umweg betrifft auch andere

Der erste Roboter könnte den nächsten Gang nehmen. Dort kreuzt aber vielleicht ein anderer Transporter, die Zielstation ist belegt oder eine Lieferung verspätet sich. Eine vernünftige Einzelentscheidung kann die Schlange nur verlagern. Mit den Robotern wachsen auch solche Abhängigkeiten.

Open-RMF befasst sich mit diesem gemeinsamen Teil: Verkehrszeitpläne und Verhandlung helfen verschiedenen Flotten, Wege und Gebäudeinfrastruktur zu teilen. Neben „Hier bin ich“ wird auch „Hier möchte ich fahren“ wichtig. Auf eine geänderte Absicht können andere dann reagieren. ^[6]

Oft fällt dafür der Begriff Schwarmintelligenz. Eine zentral koordinierte Flotte und ein dezentraler Schwarm sind jedoch verschiedene Strukturen. Beide führen zur wartenden Person zurück: Erledigt das größere Team mehr oder bildet es nur die längere Schlange? Die Maschinenzahl allein sagt wenig.

Was muss der nächste Roboter erfahren?

Der Roboter auf dem Weg zum Hindernis braucht die Nachricht. Am anderen Gebäudeende ist sie vielleicht unwichtig. Alle Kamerastreams an beide zu senden erzeugt Verkehr, ohne die Entscheidung zwingend zu verbessern. Nützlich wäre womöglich die kurze Meldung, welcher Gang seit wann blockiert ist und worauf das beruht.

MoRoCo untersucht anfrageabhängige Kommunikationsstrukturen bei begrenzten Verbindungen. Kurze Meldungen, Video und Fernsteuerung stellen unterschiedliche Anforderungen. Diese Sicht hilft: Kommunikation ist Teil der Zusammenarbeit selbst, keine unbegrenzt aufnahmefähige Zusatzleistung. ^[1]

Die Linien in der Szene zeigen Informationsverbindungen. Je nach Anordnung hört ein Roboter über einen Nachbarn; fällt eine Verbindung aus, ändert sich der Nachrichtenweg. Richtige Information irgendwo im Team genügt eben noch nicht: Sie muss den erreichen, der sie gerade braucht.

Abbildung 1

Wer erfährt vom Gang?

Vergleiche drei Verbindungsformen. Die Linien zeigen Nachrichtenwege, keinen gemessenen Verkehr.

Eine Situation wählen

Alle tauschen sich ausAustausch mit NachbarnEin Roboter verliert seine Verbindungen

1. Lokale SichtBeobachtungen des einzelnen Roboters
2. Nützlicher AustauschFür Nachbarn relevante Änderungen
3. Gemeinsame AufgabeKoordination mit sichtbaren Grenzen

Jeder Roboter ist direkt mit den anderen verbunden.

Was hat sich geändert?

Das Beispiel nutzt viele direkte Verbindungen.

In diesem Beispiel

Eine Meldung kann direkt alle anderen erreichen.

Bedeutung für die Arbeit

Welche Meldung diese Reichweite braucht, bleibt zu wählen.

Dasselbe Team nutzt weniger direkte Verbindungen.

Was hat sich geändert?

Nachrichten laufen über Nachbarn.

In diesem Beispiel

Relevante Meldungen brauchen einen Weg zum Empfänger.

Bedeutung für die Arbeit

Weniger Austausch hilft nur bei ausreichender Information.

Fehlende Nachricht bedeutet keinen freien Gang.

Was hat sich geändert?

Ein Roboter fällt aus dem Nachbarnetz.

In diesem Beispiel

Das Team muss die fehlende Aktualisierung berücksichtigen.

Bedeutung für die Arbeit

Die Fortsetzung hängt von lokal feststellbaren Bedingungen ab.

Zwei Kameras, verschiedene Ansichten

Die niedrige Kamera sieht die Palette deutlich. Ein älteres Bild von oben zeigt einen freien Gang. Eine einzige selbstsichere Aussage würde die Anzeige vereinfachen, könnte aber den Grund zum erneuten Hinsehen verdecken. Zeit und Perspektive beider Beobachtungen sind deshalb wichtig.

Ein hoher Konfidenzwert löst den Widerspruch nicht. Guo und Kollegen zeigen mit ihrer Kalibrierungsforschung, warum Modellkonfidenz nicht einfach als Trefferwahrscheinlichkeit lesbar ist. Beide Beobachtungen verfügbar zu halten ermöglicht eine neue Aufnahme, statt die größere Zahl entscheiden zu lassen. ^[3]

Daneben braucht jeder Roboter eigene Fähigkeiten. Die Knowledge-Insulation-Forschung von Physical Intelligence untersucht, wie beim Lernen von Aktionen vorhandenes Bild- und Sprachwissen erhalten bleibt. Das kann die einzelne Maschine stärken. Welche geteilte Information aktuell ist, muss das Team trotzdem klären. ^[2]

Wo Quantencomputing hinzukommen könnte

Der blockierte Gang kann eine neue Aufgabenverteilung verlangen: Routen, Batteriestände und dringende Lieferungen greifen ineinander. Ausgewählte Planungsprobleme eignen sich zur Untersuchung alternativer, auch quantenbasierter Löser. Prog-QAOA erforscht ressourcensparende Darstellungen in Quantenschaltungen, belegt aber keinen Vorteil für dieses Lager. ^[4]

Für die wartende Person zählt eine rechtzeitige, zur Aufgabe passende Antwort. Vorbereitung, Hardwarewartezeit und Prüfung gehören dazu. Eine schöne Route ohne Berücksichtigung einer schwachen Batterie oder nach dem Versandzeitpunkt hilft nicht mehr bei der ursprünglichen Arbeit.

Ein Versuch passt deshalb eher in die langsamere Planung, mit starken klassischen Vergleichsverfahren unter gleichen Bedingungen. Unmittelbare Steuerung und Schutz bleiben bei separat geprüfter klassischer Kontrolle. Der Ablauf zeigt, wie gewöhnliche Arbeit vom Nutzen des experimentellen Lösers unabhängig bleibt.

Abbildung 2

Gemeinsame Information und Erlaubnis trennen

Ein nützliches gemeinsames Lagebild

1. 01Beobachtung einordnen

   Quelle, Zeit und Unsicherheit bewahren.

   ↓
2. 02Relevante Änderung teilen

   Für andere Aufgaben relevante Information senden.

   ↓
3. 03Plan erneut prüfen

   Fehlende oder widersprüchliche Sichten berücksichtigen.

Alternative Berechnung getrennt bewerten

1. 01Frage begrenzen

   Eine verzögerungstolerante Planungsaufgabe wählen.

   ↓
2. 02Fair vergleichen

   Gleiche Bedingungen und Gesamtkosten berücksichtigen.

   ↓
3. 03Klassischen Pfad behalten

   Das lokale System muss nützlich bleiben.

Nach der Vorführung

Diese Fragen bringen wir in die Projektentwicklung rund um CELTIC-NEXT und Horizon Europe ein: lokale Intelligenz, Kooperation bei begrenzter Kommunikation und faire Vergleiche alternativer Berechnung. Das Interesse ist groß. Es geht derzeit um Projekt- und Konsortialentwicklung, nicht um zugesagte Förderung oder abgeschlossene Piloten.

NODERIQ verbindet diese Themen in einem angewandten Forschungsprogramm. Ausgangspunkt ist ein funktionierender klassischer lokaler Kern; hybride und Quantenmethoden müssen ihren Beitrag darum herum zeigen. Das gedachte Lager erklärt die Verbindung: Lernen, Kommunikation und Planung greifen zusammen, sobald Maschinen voneinander abhängen. ^[5]

Ich erwarte eine tiefgreifende Veränderung der KI zwischen beweglichen Dingen und Menschen, die ihre Arbeit erledigen wollen. Ein guter Prompt lässt noch keine hundert Roboter einen Gang teilen. Irgendwo wartet jemand auf die nächste Ladung. Dass sie ankommt, gibt der Forschung ihren Sinn.

Abbildung 3

Die Forschung hinter dem Beitrag

Zum Weiterlesen	Der hilfreiche Gedanke	Die nächste Frage
MoRoCo · 2025 / 2026	Der hilfreiche Gedanke Untersucht Teamkoordination und veränderliche Kommunikationsstrukturen bei begrenzten Verbindungen.	Die nächste Frage Welche Annahmen passen zum tatsächlichen Team und Einsatzort?
Knowledge Insulation · 2025	Der hilfreiche Gedanke Untersucht das Training eines VLA-Aktionsexperten bei Erhalt vortrainierten Grundwissens.	Die nächste Frage Wie passt die entstehende Fähigkeit in ein begrenztes Robotersystem?
Prog-QAOA · 2025	Der hilfreiche Gedanke Untersucht ressourcenschonendere Quantendarstellungen von Optimierungsproblemen.	Die nächste Frage Bringt der gesamte Planungspfad gegenüber einer starken klassischen Referenz einen Vorteil?

Quellen

1. MoRoCo: Multi-Robot Coordination under Restricted Communication arxiv.org
2. Physical Intelligence: VLAs that Train Fast, Run Fast, and Generalize Better pi.website
3. Guo et al.: On Calibration of Modern Neural Networks proceedings.mlr.press
4. Prog-QAOA: Resource-efficient Quantum Optimisation through Classical Programs quantum-journal.org
5. Neura Parse: NODERIQ Research Programme neuraparse.com
6. Open-RMF: Traffic Scheduling and Negotiation osrf.github.io