Adaptive Domain Modeling with Language Models: A Multi-Agent Approach to Task Planning

Stellen Sie sich vor, Sie versuchen, einem Roboter das Kochen des Abendessens beizubringen. In den alten Zeiten mussten Wissenschaftler ein massives, starres Instruktionshandbuch für jedes einzelne mögliche Szenario schreiben: „Wenn der Topf rot ist, mache X. Wenn der Topf blau ist, mache Y.“ Wenn der Roboter auf einen grünen Topf stieß oder eine Aufgabe sah, die er noch nicht kannte, fror er ein, weil das Handbuch dies nicht abdeckte. Dies ist die Welt der symbolischen Planung, in der Computer strengen, vorab geschriebenen Regeln folgen. Es ist leistungsstark, aber es ist wie ein GPS, das nur Straßen kennt, die auf einer Karte von 1990 eingezeichnet sind; wenn eine neue Straße eröffnet wird, verirrt sich das GPS.

Auf der anderen Seite haben wir heute Large Language Models (LLMs), die superintelligenten KI-Gehirne, die chatten, Geschichten schreiben und die menschliche Sprache verstehen können. Sie sind unglaublich flexibel und können erraten, was Sie meinen, selbst wenn Sie sich etwas seltsam ausdrücken. Sie sind jedoch auch ein wenig wie ein brillanter, aber zerstreuter Künstler: Sie könnten einen Plan entwerfen, der großartig klingt, aber für einen Roboter physisch unmöglich auszuführen ist, oder sie könnten die Gesetze der Physik völlig vergessen.

Die große Frage für Wissenschaftler lautet: Wie kombinieren wir die strikte Zuverlässigkeit der alten regelbefolgenden Roboter mit dem flexiblen, kreativen Gehirn der neuen KI? Wir brauchen ein System, das eine chaotische, reale Anfrage wie „Baue einen Turm mit dem größten Block unten“ verstehen kann und dann herausfindet, wie es ihn baut, selbst wenn der Roboter noch nie zuvor einen „größten Block“ gesehen hat. Hier kommt das Papier, das Sie gleich lesen werden, ins Spiel, das einen neuen Weg bietet, wie Roboter „on the fly“ lernen können.

---

Lernen Sie TAPAS kennen: Das Team der kreativen Architekten des Roboters

Lernen Sie TAPAS kennen (Task-based Adaptation and Planning using AgentS). Betrachten Sie TAPAS nicht als ein einzelnes Robotergehirn, sondern als eine kleine, hoch organisierte Baucrew, die innerhalb eines Computers arbeitet. Anstatt dass eine Person versucht, alles zu erledigen, teilt TAPAS die Arbeit unter drei spezialisierten „Agenten“ (kleinen KI-Arbeitern) auf, die jeweils eine spezifische Rolle haben und miteinander kommunizieren, um einen Plan zu erstellen.

So funktioniert dieses Team, am Beispiel einer einfachen Analogie: Stellen Sie sich vor, Sie möchten einen Turm aus Blöcken bauen, aber Sie sagen dem Team: „Ich möchte den roten Block oben auf dem blauen haben.“

1. Der Domain Generator (Der Regelbuch-Schreiber)
Zuerst hört der Domain Generator auf Ihre Anfrage. In den alten Tagen hätte der Roboter, wenn er nicht wusste, was „rot“ oder „blau“ in seinem Regelbuch bedeutete, einfach gesagt: „Fehler! Ich kenne dieses Wort nicht!“ und aufgehört. Aber TAPAS ist anders. Wenn der Domain Generator feststellt: „Hey, unser aktuelles Regelbuch hat keine Möglichkeit, Farben zu beschreiben“, gerät er nicht in Panik. Er sagt: „Okay, wir müssen eine ‚Farbe‘-Regel zu unserem Regelbuch hinzufügen.“ Er schreibt das interne Instruktionshandbuch des Roboters also direkt vor Ort um, um dieses neue Konzept einzubeziehen.

2. Der Initial State Generator (Der Szenenbildner)
Als Nächstes betrachtet der Initial State Generator den Raum. Er sieht die Blöcke auf dem Tisch. Wenn das Regelbuch gerade um „Farbe“ erweitert wurde, fragt dieser Agent: „Warte, welche Farbe hat jeder Block?“ Wenn Sie ihm die Information nicht gegeben haben, fragt er Sie (oder die Simulation) nach diesen Infos. Er bereitet die Bühne und stellt sicher, dass der Roboter genau weiß, wo sich jeder Block befindet und welche Farbe er hat, passend zu den neuen Regeln.

3. Der Goal State Generator (Der Zielsetzer)
Schließlich betrachtet der Goal State Generator Ihren Wunsch: „Rot auf Blau“. Er prüft das neue Regelbuch und die Szene. Er sagt: „Verstanden. Das Ziel ist es, sie so zu stapeln, dass der rote obenauf liegt.“

Die Magie des „Tool-Calling“
Der coolste Teil ist die Art und Weise, wie sie kommunizieren. Sie raten nicht einfach; sie benutzen „Tools“ (Werkzeuge). Wenn der Goal Generator ein Problem erkennt (wie zum Beispiel: „Wir können Blöks nicht nach Größe stapeln, weil wir noch keine ‚Größe‘-Regel haben“), zieht er ein Tool namens missing_fluent hervor und sagt zum Domain Generator: „Hey, wir brauchen eine Regel für die Größe!“ Der Domain Generator aktualisiert dann das Regelbuch, und das gesamte Team beginnt von vorn mit den neuen, besseren Anweisungen. Es ist wie eine Gruppe von Freunden, die ein Lego-Set bauen, und wenn sie merken, dass ihnen ein bestimmtes Teil fehlt, rennt ein Freund in den Laden, um es zu kaufen, und dann bauen sie alle gemeinsam weiter.

Von „Was“ zu „Wie“: Das Ausführungsteam

Sobald der Plan geschrieben ist, muss TAPAS den Roboter tatsächlich bewegen lassen. Das ist knifflig, denn der Plan könnte sagen „Platziere Block A auf Block B“, aber der physische Arm des Roboters weiß vielleicht nur, wie man „Greifer zu den Koordinaten X, Y, Z bewegt“.

TAPAS nutzt einen Plan Executor, um diese Lücke zu schließen. Er fungt als Übersetzer.

• Der Übersetzer: Er nimmt den abstrakten, hochgradig strukturierten Plan und verwandelt ihn in einfache, natürliche Sprachanweisungen wie „Bewege deinen Arm nach links“ oder „Greife den roten Block“.
• Der ReAct Agent: Dies ist das „Reason and Act“ (Denken und Handeln)-Gehirn des Roboters. Er schaut sich die Anweisung an, prüft, welche Werkzeuge (Fähigkeiten) der Roboter tatsächlich besitzt, und wählt die beste aus. Wenn der Roboter versucht, einen Block zu greifen und daneben greift, sagt der Validator Agent (der Aufseher): „Hoppla, das hat nicht funktioniert. Versuche es noch einmal, aber bewege deinen Arm vielleicht langsamer.“

Was haben sie herausgefunden?

Die Autoren haben TAPAS auf zwei Arten getestet: in klassischen Logikrätseln und in einem simulierten 3D-Haus namens VirtualHome.

1. Die Logikrätsel (Die Benchmarks)
Sie testeten TAPAS bei sieben verschiedenen Planungsherausforderungen, wie dem berühmten „Blocksworld“ (Blöcke stapeln) und „Barman“ (Getränke mischen).

• Das Ergebnis: TAPAS war unglaublich gut. Bei der Verwendung eines erstklassigen KI-Modells (GPT-4o) löste es 97 % der „Barman“-Probleme und 100 % der „Blocksworld“-Probleme.
• Der Vergleich: Dies war wesentlich besser als die Verwendung anderer KI-Modelle oder der bloße Versuch, die KI alles machen zu lassen, ohne einen strukturierten Plan. In der „Blocksworld“-Testreihe löste TAPAS beispielsweise 100 % der Probleme, während andere Methoden erheblich zu kämpfen hatten.

2. Der „Neue Regeln“-Test (Anpassungsfähigkeit)
Hier glänzt TAPAS wirklich. Die Forscher gaben dem Roboter Aufgaben, die er noch nie gesehen hatte, wie zum Beispiel: „Staple die Blöcke so, dass der größte unten ist“ oder „Bewege die Blöcke, aber stelle sicher, dass der Roboter nicht leer an Batterie ist“.

• Das Ergebnis: TAPAS fand erfolgreich heraus, dass es Regeln für „Größe“ oder „Batterie“ zu seinem Regelbuch hinzufügen musste. Dies geschah automatisch.
  • Für die „Größe“-Aufgabe aktualisierte es die Regeln zu: „Du darfst einen Block nur auf einen größeren Block stapeln.“ Es löste 90 % dieser neuen, kniffligen Probleme.
  • Für die „Batterie“-Aufgabe fügte es Regeln zum Energieverbrauch hinzu. Es löste 100 % der „Grippers“ (Roboterhand)-Batterieprobleme.
• Die Einschränkung: Es war nicht perfekt. Im „Floortile“ (Fliesen reinigen)-Test mit Batteriebeschränkungen löste es nur 70 % der Probleme. Das Papier legt nahe, dass dies daran lag, dass die KI manchmal den Startbatteriewert errät, anstatt danach zu fragen, was zeigt, dass das System immer noch vorsichtig bei Annahmen sein muss.

3. Die VirtualHome-Simulation
Schließlich platzierten sie TAPAS in einer 3D-Simulation eines Hauses. Die Aufgabe war: „Hol einen Kuchen aus dem Kühlschrank und stelle ihn auf den Tisch“ und „Erwärme einen Lachs und stelle ihn auf den Tisch“.

• Das Ergebnis: TAPAS generierte erfolgreich einen Plan, übersetzte ihn in Aktionen und steuerte einen virtuellen Roboter dazu, den Kühlschrank zu öffnen, das Essen zu greifen, die Mikrowelle zu benutzen und die Gegenstände auf den Tisch zu stellen.
• Der Gedächtnis-Trick: Sie testeten auch, ob TAPAS aus Fehlern lernen kann. Sie sagten dem System: „Wenn du das nächste Mal den Kühlschrank benutzt, stelle sicher, dass du ihn schließt, auch wenn ich es nicht sage.“ Später, als der Roboter vor einer ähnlichen Aufgabe stand, erinnerte er sich an diese Regel und schloss den Kühlschrank automatisch. Dies zeigte, dass TAPAS „prozedurales Gedächtnis“ speichern kann, um mit der Zeit besser zu werden.

Warum das wichtig ist (und was es nicht ist)

Das Papier legt nahe, dass TAPAS ein starker Schritt nach vorne ist, da es das Beste aus beiden Welten kombiniert: die Kreativität einer KI, die Sprache versteht, und die Zuverlässigkeit strenger Planungsregeln. Es folgt nicht nur einem Skript; es kann das Skript umschreiben, wenn sich die Situation ändert.

Die Autoren weisen jedoch vorsichtig darauf hin, dass dies eine Simulation ist. Sie haben es in einer Computerwelt (VirtualHome) und bei Standard-Logikrätseln getestet, nicht an einem echten Roboter in einer unordentlichen, realen Küche. Während die Ergebnisse vielversprechend sind, gibt das Papier zu, dass der Einsatz in der realen Welt immer noch Herausforderungen bietet, wie etwa das Verhindern von „Halluzinationen“ (das Erfinden von Fakten durch die KI) oder den Umgang mit Fehlern, die nicht automatisch behoben werden können.

Kurz gesagt: TAPAS ist wie ein Roboter, der nicht nur einer Karte folgt; er kann eine neue Karte zeichnen, wenn er auf ein Hindernis stößt, nach dem Weg fragen, wenn er sich verirrt hat, und sich die Abkürzung für das nächste Mal merken. Er ist noch kein perfekter Roboter, aber er ist ein sehr intelligenter, der lernt, spontan zu denken.