Projekt AgriLoop erforscht sprachgesteuerte Robotik für Gewächshäuser

ArtikelUniversity of BonnNews

Forschende der Universität Bonn entwickeln gemeinsam mit Partnern aus Taiwan ein sprachgesteuertes Robotiksystem für Gewächshäuser. Das Projekt AgriLoop kombiniert multimodale KI-Modelle mit 3D-Umgebungserfassung, damit Agrarfachkräfte Roboter über natürliche Sprache anweisen und korrigieren können.

Das Wichtigste

  1. Das deutsch-taiwanische Forschungsprojekt AgriLoop wird auf Bonner Seite vom BMFTR mit 463.000 Euro gefördert.
  2. Im Fokus steht ein Human-in-the-Loop-System, das Sprachmodelle, Vision-Language-Modelle und Vision-Language-Action-Modelle mit physischer Robotik und 3D-Szenenrekonstruktion verbindet.
  3. Anweisungen wie 'Untersuche diese Pflanze genauer' oder 'Entferne dieses Blatt' sollen in präzise, sichere Roboterbewegungen übersetzt werden.
  4. Zusätzlich zielt das Projekt auf ultra-effiziente KI-Modelle ab, die direkt auf Roboterplattformen ohne permanente Verbindung zu großen Rechenzentren laufen können.
  5. Menschliche Fachkräfte bleiben essenziell, um situatives Erfahrungswissen einzubringen und Roboteraktionen laufend zu bewerten.

Warum das relevant ist

Der Mangel an Fachkräften und der Bedarf an nachhaltigen Anbaumethoden setzen die Gewächshauswirtschaft unter Druck. Wenn Roboter gesprochene Fachanweisungen im 3D-Raum verstehen und umsetzen, lassen sich Routineprüfungen und gezielte Pflege präzise auslagern, ohne dass komplexer Programmieraufwand nötig ist.

Einordnung

AgriLoop schließt eine zentrale Lücke zwischen KI-Sprachverarbeitung und physischer Aktorik: Bislang agierten 3D-Sensorik, LLMs und Robotiksteuerung weitgehend getrennt. Die Verbindung von räumlicher Rekonstruktion mit 'Command Grounding' erlaubt es Robotern, sprachliche Bezüge auf konkrete Pflanzenteile zu mappen. Zudem ist der geplante Verzicht auf Cloud-Abhängigkeiten durch kompakte Edge-Modelle ein wichtiger Schritt für den robusten Feldeinsatz in der Landwirtschaft.

Erwähnte Links

Gefunden in

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Peiyan Li, Yuze Zhu, Yixiang Chen, Qisen Ma, Yuan Xu, Jiabing Yang, He Guan, Yan Huang, Hongtao Wu, Xiao Ma, Tao Kong, Liang Wang, Tieniu Tan

    BridgeVLA++: 3D-Roboter-Manipulations-Framework mit spatio-temporalem Gedächtnis

    Forschende stellen BridgeVLA++ vor, ein Vision-Language-Action-Framework für 3D-Roboter-Manipulationen. Aufbauend auf BridgeVLA erweitert das Modell vortrainierte Vision-Language-Modelle (VLMs) um eine Architektur für räumlich-zeitliches Gedächtnis, um vergangene Beobachtungen und Interaktionshistorien effizient einzubeziehen.

    KI & AI· Forschung

  • Link:Moo Jin Kim, Karl Pertsch, Siddharth Karamcheti et al.

    OpenVLA: Open-Source Vision-Language-Action-Modell für Robotik

    OpenVLA ist ein quelloffenes Vision-Language-Action-Modell (VLA) mit 7 Milliarden Parametern zur Steuerung von Robotern. Es basiert auf Prismatic-7B, nutzt Llama 2 und wurde auf 970.000 Roboter-Episoden trainiert. Das Modell übertrifft bisherige Generalisten wie Octo und RT-1-X sowie teilweise das proprietäre 55B-Modell RT-2-X.

    KI & AI· Forschung

  • Artikel:Moo Jin Kim et al.

    OpenVLA: Open-Source Vision-Language-Action-Modell für Robotersteuerung

    Forschende von Stanford, UC Berkeley, Google DeepMind und weiteren Institutionen stellen OpenVLA vor, ein quelloffenes Vision-Language-Action-Modell mit 7 Milliarden Parametern. Das auf 970.000 realen Roboterdemonstrationen trainierte Modell übertrifft geschlossene Vorgänger wie RT-2-X deutlich und lässt sich per LoRA auf handelsüblichen GPUs feinjustieren.

    KI & AI· Forschung

  • Artikel:Jiaqi Liu et al.

    AutoResearchClaw: Multi-Agenten-Forschung mit iterativer Selbstkorrektur und Human-in-the-Loop

    Ein Forschungsteam um Jiaqi Liu stellt AutoResearchClaw vor, eine autonome Forschungspipeline auf Basis kooperierender Agenten. Das System bricht mit linearen Ausführungsmodellen und setzt auf iterative Fehlerkorrektur, überprüfbare Resultate sowie anpassbare menschliche Eingriffe. Im Benchmark ARC-Bench schlägt es vergleichbare Ansätze wie AI Scientist v2 deutlich.

    KI & AI· Forschung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.