NTT stellt Physical AI vor, die Roboterfehler vorab erkennt

Das NTT World Model kombiniert ein Videogenerierungsmodell mit einem selbst entwickelten „physikalischen Steuerungsadapter“. Dieser schätzt Position, Lage, Geschwindigkeit und Masse der Objekte und berechnet Veränderungen anhand von Bewegungsgleichungen, sodass auch Kontakte und Kollisionen nachgebildet werden. Laut NTT verhindert die Kombination unnatürliche Ergebnisse wie verschwindende oder verformte Objekte und hält Vorhersagen auch in unbekannten Situationen physikalisch konsistent.

Ergebnisse und nächste Schritte

Das System arbeitet mit vorhandener Robotersteuerung zusammen. Für mehrere Handlungsoptionen, die ein VLA-Modell (Vision-Language-Action) oder ein Motion Planner erzeugt, sagt es das Ergebnis als Video voraus und gibt für jede einen Erfolgswert aus. So kann der Roboter vergleichen, bevor er sich bewegt.

In einem Versuch, bei dem ein kleiner Roboter unförmige Objekte in ein Regal stapelte, stieg die Erfolgsquote durch die Kombination des Open-Source-VLA-Modells π0.5 mit dem NTT World Model von 73,1 auf 92,3 Prozent. Im öffentlichen Benchmark OBJ3D, der Kollisionen mehrerer Objekte enthält, erreichte es einen LPIPS-Wert von 7,81. Diese Metrik bildet ab, wie ähnlich Menschen echtes und vorhergesagtes Video wahrnehmen. Das Modell übertraf damit die Methode OCK (7,92) und NVIDIA Cosmos Predict 2.5 (21,90); niedriger ist besser.

Erstes Einsatzfeld soll das Be- und Entladen von Flughafengepäck mit unterschiedlichen Formen und Gewichten sein. NTT will die Technik gemeinsam mit Mujin erproben und später in Logistik und Lagerhaltung, Fertigung, Bau und Einzelhandel einsetzen.