{"id":87853,"date":"2026-06-17T16:48:00","date_gmt":"2026-06-17T15:48:00","guid":{"rendered":"https:\/\/cms-articles.softonic.io\/de\/?p=87853"},"modified":"2026-06-17T16:48:22","modified_gmt":"2026-06-17T15:48:22","slug":"nvidia-kundigt-enpire-an-coding-agenten-trainieren-roboter-autonom","status":"publish","type":"post","link":"https:\/\/cms-articles.softonic.io\/de\/nvidia-kundigt-enpire-an-coding-agenten-trainieren-roboter-autonom\/","title":{"rendered":"Nvidia k\u00fcndigt ENPIRE an: Coding-Agenten trainieren Roboter autonom"},"content":{"rendered":"

Nvidia stellt heute zusammen mit der Carnegie Mellon University<\/strong> und der University of California, Berkeley ENPIRE vor. Dahinter steckt ein Forschungsprojekt f\u00fcr autonomes Robotertraining auf echter Hardware<\/a>. Ziel ist es, die Roboter-Manipulation mit deutlich weniger menschlichem Eingreifen zu verbessern. Sp\u00e4ter soll das Ganze nach Angaben des Unternehmens auch als Open Source ver\u00f6ffentlicht werden.<\/p>\n\n

Automatisierte R\u00fcckkopplungsschleife<\/p>\n\n

An dem Forschungsprojekt arbeiten Nvidia, die Carnegie Mellon University und die University of California, Berkeley gemeinsam. ENPIRE steht f\u00fcr \u201eEmbodied aNd Physical-world-aware agentIc Robot policy self-ImprovemEnt\u201c. Der Ansatz soll, so beschreibt es Nvidia, die Manipulationsf\u00e4higkeiten von Robotern mit sp\u00fcrbar weniger<\/strong> menschlicher Unterst\u00fctzung voranbringen.<\/p>\n\n

Im Kern geht es um eine automatische R\u00fcckkopplungsschleife: Arbeitsplatz zur\u00fccksetzen, eine Strategie ausf\u00fchren, das Ergebnis bewerten und den n\u00e4chsten Versuch daran anpassen<\/strong>. F\u00fcr Unternehmen ist genau das ein interessanter Punkt, weil diese Art von Iteration auf realer Hardware bisher viel Personal bindet und entsprechend Zeit kostet.<\/p>\n\n

Zwei Phasen beim Training<\/p>\n\n

Die Forscher setzen laut Nvidia auf ein zweistufiges<\/strong> Verfahren. In der ersten Phase hilft der Agent dabei, Sicherheitsgrenzen festzulegen, automatische Reset-Abl\u00e4ufe einzurichten und Erfolgskriterien zu definieren. Ganz ohne Menschen geht es an dieser Stelle noch nicht, begrenztes Feedback bleibt n\u00f6tig.<\/p>\n\n

Danach folgt die zweite Phase, in der ENPIRE dem Konzern zufolge weitgehend allein<\/strong> weiterarbeitet. Der Agent liest Fachliteratur, stellt Hypothesen auf, greift in den Trainingscode ein und entscheidet anhand realer Ergebnisse, ob zum Beispiel Behavior Cloning oder Reinforcement Learning besser passt. Das System testet also nicht blo\u00df verschiedene Strategien, sondern schraubt auch an der Trainingsmethode selbst.<\/p>\n\n

Eigene Pr\u00fcfprogramme und acht YAM-Stationen<\/p>\n\n

F\u00fcr die Auswertung erzeugt ENPIRE nach Angaben von Nvidia eigene Belohnungsfunktionen<\/strong> und Pr\u00fcfskripte. Als Basis reichen demnach schon wenige Minuten Videomaterial mit gelungenen und misslungenen Ausf\u00fchrungen. Beim Einsetzen eines Pins zieht das System laut Nvidia die visuelle Ausrichtung, die H\u00f6he des Greifers und eine gesch\u00e4tzte Kraft zusammen. Beim Durchtrennen eines Kabelbinders arbeitet ENPIRE mit zwei Kameraperspektiven und reagiert in unter 150 Millisekunden.<\/p>\n\n

F\u00fcr die Skalierung greift Nvidia laut eigener Darstellung auf acht duale YAM-Roboterstationen<\/strong> zur\u00fcck. Jede dieser Stationen bringt eigene Hardware, einen eigenen Rechner und einen eigenen Coding-Agenten mit. So k\u00f6nnen die Systeme verschiedene Ans\u00e4tze parallel ausprobieren und erfolgreiche Code-\u00c4nderungen sowie Trainingsrezepte \u00fcber Git<\/a> untereinander austauschen.<\/p>\n\n

Bis zu 99 Prozent Erfolg, Open Source geplant<\/p>\n\n

Der Studie zufolge kam die Roboterflotte bei anspruchsvollen Manipulationsaufgaben auf Erfolgsraten von bis zu 99 Prozent<\/strong>. Genannt werden unter anderem der Push-T-Benchmark, das Sortieren von Pins in eine Box und das Schneiden eines Kabelbinders. Beim Einsetzen eines Pins erreichte die gelernte Strategie laut Nvidia sogar schneller 100 Prozent Erfolg als ein vergleichbarer Ansatz, bei dem Menschen st\u00e4rker eingebunden waren.<\/p>\n\n

ENPIRE baut laut Nvidia auf Eureka<\/a> auf. Dort erzeugte GPT-4 dem Unternehmen zufolge Belohnungsprogramme, die in mehr als 80 Prozent<\/strong> der Aufgaben besser abschnitten als von Menschen geschriebene Varianten und in einzelnen F\u00e4llen Leistungsgewinne von \u00fcber 50 Prozent lieferten.<\/p>\n\n

Zugleich f\u00fcgt sich das Projekt in Nvidias Robotik-Offensive rund um Project GR00T, Jetson Thor und Isaac GR00T ein. ENPIRE soll nach Angaben von Nvidia als Open Source erscheinen. Nvidia-Forscher Jim Fan beschreibt den Ansatz als \u201eAutoResearch in der physischen Welt\u201c und als eine Art Schnittstelle zur Welt der Atome.<\/p>\n\n

Quelle: Nvidia<\/p>\n\n

Downloads: F\u00fcr ENPIRE gibt es aktuell noch keinen Download, eine Open-Source-Ver\u00f6ffentlichung ist aber geplant.<\/p>","protected":false},"excerpt":{"rendered":"

Nvidia stellt heute zusammen mit der Carnegie Mellon University und der University of California, Berkeley ENPIRE vor. Dahinter steckt ein Forschungsprojekt f\u00fcr autonomes Robotertraining auf echter Hardware. Ziel ist es, die Roboter-Manipulation mit deutlich weniger menschlichem Eingreifen zu verbessern. Sp\u00e4ter soll das Ganze nach Angaben des Unternehmens auch als Open Source ver\u00f6ffentlicht werden. Automatisierte R\u00fcckkopplungsschleife … Continue reading “Nvidia k\u00fcndigt ENPIRE an: Coding-Agenten trainieren Roboter autonom”<\/span><\/a><\/p>\n","protected":false},"author":9332,"featured_media":87852,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","wpcf-pageviews":0},"categories":[3152],"tags":[1],"usertag":[],"vertical":[],"content-category":[3629],"class_list":["post-87853","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","tag-software","content-category-ki"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/posts\/87853","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/users\/9332"}],"replies":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/comments?post=87853"}],"version-history":[{"count":1,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/posts\/87853\/revisions"}],"predecessor-version":[{"id":87854,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/posts\/87853\/revisions\/87854"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/media\/87852"}],"wp:attachment":[{"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/media?parent=87853"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/categories?post=87853"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/tags?post=87853"},{"taxonomy":"usertag","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/usertag?post=87853"},{"taxonomy":"vertical","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/vertical?post=87853"},{"taxonomy":"content-category","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/de\/wp-json\/wp\/v2\/content-category?post=87853"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}