HardFlow: MIT-Verfahren lässt Roboter-KI harte Vorgaben einhalten

Ein Roboterarm, der eine Route „fast“ kollisionsfrei plant, ist in einer Fabrikhalle voller Menschen wertlos. Generative KI-Modelle liefern aber genau das: Ergebnisse, die den Vorgaben nahekommen. Ein neuer Algorithmus vom MIT sorgt dafür, dass vortrainierte Modelle strikte Regeln zuverlässig einhalten – ohne dass sie neu trainiert werden müssen.

Von Roboterwelt RedaktionAktualisiert 4 Min. LesezeitQuellen: 3
Simulierter weißer Roboterarm über einer hellgelben Fläche, vor ihm sechs rote Zylinder als Hindernisse und rechts eine grüne Linie als Zielbereich
Die Robotik-Versuche zu HardFlow liefen in der Simulationsumgebung des D3IL-Benchmarks: Ein Roboterarm muss an Hindernissen vorbei einen Zielbereich erreichen. Foto: Li, Alim, Azizan (MIT), arXiv:2511.08425, CC BY 4.0, bearbeitet

Plant ein Roboter seinen Weg über eine belebte Fabrikhalle, gibt es keine Teilnote. Eine „beinahe korrekte“ Route kann immer noch zur Kollision mit einem Menschen führen. Genau hier liegt das Problem heutiger generativer KI-Modelle: Sie liefern Ergebnisse, die den Anforderungen nahekommen – nicht solche, die sie garantiert erfüllen. 

Forscher am Massachusetts Institute of Technology haben nun ein Verfahren entwickelt, mit dem generative Modelle sogenannte harte Nebenbedingungen einhalten können – Sicherheitsregeln, physikalische Gesetze oder aufgabenspezifische Anforderungen, die nicht verletzt werden dürfen. Der Algorithmus heißt HardFlow und ist in der Fachzeitschrift IEEE Transactions on Pattern Analysis and Machine Intelligence erschienen. 

Warum „fast richtig“ nicht genügt

Vortrainierte generative Modelle wie Diffusionsmodelle (etwa Stable Diffusion) oder Flow-Matching-Modelle (etwa FLUX) erzeugen neue Daten, indem sie zufälliges Rauschen schrittweise in ein Ergebnis überführen. In vielen Anwendungen genügt es, wenn das Resultat ungefähr passt. In sicherheitskritischen Szenarien genügt es nicht. 

Bisher wird in solchen Fällen häufig auf projektionsbasiertes Sampling zurückgegriffen. Dabei werden die Zwischenergebnisse des Modells während des gesamten Generierungsprozesses wiederholt auf die Vorgaben zurückgezwungen. Das hat zwei Nachteile: Die durchgehende Einschränkung kann das Modell daran hindern, eine bessere Endlösung zu finden. Und die Verfahren konzentrieren sich meist ausschließlich auf die Einhaltung der Vorgaben, ohne weitere Qualitätskriterien – etwa eine möglichst kurze Roboter-Trajektorie – zu berücksichtigen. 

Freiheit im Prozess, Kontrolle beim Ergebnis

Der zentrale Kniff von HardFlow: Die harten Nebenbedingungen werden nicht in jedem Zwischenschritt erzwungen, sondern nur beim finalen Output. Da die internen Zwischenschritte ohnehin verworfen werden, zählt für die Einhaltung der Vorgaben allein das Endergebnis. Das Modell erhält dadurch während der Generierung mehr Spielraum, um hochwertige Lösungen zu finden, die am Ende dennoch zulässig sind. 

Technisch formulieren die Forscher das Problem als Trajektorienoptimierung und greifen dabei auf Methoden der optimalen Steuerung zurück. So lässt sich der Sampling-Prozess gezielt in Richtung eines Ziels lenken, mit kleinen Korrekturen entlang des Weges. Weil eine solche Optimierung um ein neuronales Netz mit Hunderten Schichten rechnerisch aufwendig ist, zerlegt das Team das Problem unter Ausnutzung der Struktur von Flow-Matching-Modellen in eine Abfolge kleinerer Einzelschritt-Probleme. Durch weitere Transformationen und Näherungen entsteht ein Algorithmus, der zur Laufzeit effizient arbeitet. 

Die Formulierung als Optimierungsproblem erlaubt es zudem, zusätzliche Ziele einzubeziehen. HardFlow kann für einen Roboter nicht nur einen kollisionsfreien Pfad finden, sondern zugleich den kürzesten Weg zum Ziel. 

Ergebnisse aus Robotik, Navigation und Bildbearbeitung

In Experimenten zu Robotermanipulation, Labyrinth-Navigation und textgesteuerter Bildbearbeitung hielt HardFlow die geforderten Nebenbedingungen durchgehend ein und lieferte dabei bessere Lösungen als bestehende Vergleichsverfahren. Ein Roboterarm konnte etwa Hindernissen ausweichen und zugleich den schnellsten Weg zum Zielobjekt finden – bei den meisten anderen Methoden kam es entweder zu Kollisionen oder zu Wegen, die deutlich mehr Zeit beanspruchten. Die Rechenzeit lag auf dem Niveau der Konkurrenzverfahren oder darunter. 

Entwickelt wurde das Verfahren von Zeyang Li und Kaveh Alim, beide Doktoranden am MIT, gemeinsam mit Seniorautor Navid Azizan, Professor am Department of Mechanical Engineering und am Institute for Data, Systems, and Society. Künftig könnten die Forscher den Ansatz auf Szenarien erweitern, in denen auch das KI-Modell selbst angepasst werden kann. 

Was das praktisch bedeutet

Der eigentliche Hebel steckt in einem Detail, das leicht überlesen wird: HardFlow arbeitet zur Einsatzzeit und lässt sich auf bereits vortrainierte Modelle anwenden, ohne sie neu zu trainieren. Wer heute ein Flow-Matching-Modell für Bewegungsplanung einsetzt, müsste es also nicht ersetzen, sondern bekäme die Garantie obendrauf. 

Offen bleibt, wie weit die Zusage trägt. Die berichteten Ergebnisse stammen aus Benchmark-Aufgaben, die Robotikversuche liefen in der Simulation; ob die Einhaltung auch dann zuverlässig bleibt, wenn Sensordaten verrauscht sind und sich die Umgebung während der Planung verändert, zeigt erst der Einsatz außerhalb des Labors. Und „Rechenzeit auf dem Niveau der Konkurrenz“ ist keine Aussage über Echtzeitfähigkeit: Ob ein Roboterarm damit in der Taktzeit einer echten Fertigungslinie bleibt, geht aus der Veröffentlichung nicht hervor. 

Die Richtung ist dennoch bemerkenswert. Die Robotik diskutiert seit Jahren, wie sich lernende Systeme mit klassischen Sicherheitsgarantien verbinden lassen. HardFlow deutet an, wie das gelingen könnte. 

Wie schwer sich KI-gesteuerte Roboterhände mit der realen Welt tun, zeigt auch unser Beitrag über den Tastsinn als nächstes Datenrennen der Robotik; einen anderen Weg zum selben Ziel beschreibt unser Artikel über Simulation als Trainingsquelle für Fingerfertigkeit. 

Quellen

  1. HardFlow: Hard-Constrained Sampling for Flow-Matching Models via Trajectory Optimization – Z. Li, K. Alim, N. Azizan – IEEE Transactions on Pattern Analysis and Machine Intelligence, Bd. 48, Nr. 10, Oktober 2026
  2. HardFlow (Preprint, Fassung v3) – Z. Li, K. Alim, N. Azizan – arXiv:2511.08425, Erstfassung 11.11.2025
  3. New method enables AI for safety-critical situations – MIT News (Adam Zewe) – 14.09.2026

Aktualisiert : Doppelte Quellen-/FAQ-Blöcke aus dem Text entfernt Aktualisiert : Fehler korrigiert, Quellen ergänzt, Format und Titel angepasst Aktualisiert : Unbelegte Verallgemeinerung entfernt, Vorschautitel an neuen Titel angeglichen Aktualisiert : Titelbild durch Abbildung aus dem Paper ersetzt Erstveröffentlichung: .

Roboterwelt Redaktion

Die Angaben in diesem Artikel wurden am 6. Oktober 2026 anhand der genannten Quellen geprüft.

Mehr zu Künstliche Intelligenz

Alle 85 Beiträge
Schräge Nahaufnahme einer grünen Platine mit eingestecktem Rechenmodul, auf dessen glänzendem Chip in der Mitte der Schriftzug NVIDIA eingraviert ist, ringsum Spulen, Kondensatoren, Steckverbinder und AnschlussklemmenFirmenporträtNVIDIA nach Jensen Huang: Der Chiplieferant der KI-Welle will auch das Gehirn der Roboter liefernNVIDIA verdient sein Geld mit den Chips, auf denen die großen KI-Modelle trainiert werden: 215,9 Milliarden US-Dollar Umsatz im Geschäftsjahr 2026, davon 193,7 Milliarden mit Rechenzentren. Seit dem 12. November 2026 fehlt dem Konzern aus Santa Clara der Mann, der ihn seit der Gründung 1993 geführt hat: Mitgründer Jensen Huang ist zurückgetreten, Finanzvorständin Colette Kress führt übergangsweise und legte am 17. November einen Quartalsumsatz von 115,8 Milliarden US-Dollar vor. Für die Robotik hat NVIDIA einen zweiten Stapel aufgebaut: den Bordrechner Jetson Thor, die Simulations- und Trainingswerkzeuge Isaac und Omniverse, die Weltmodelle Cosmos und die Robotermodelle GR00T, mit denen laut NVIDIA Humanoiden-Hersteller wie Agility, Boston Dynamics, NEURA, Agile Robots und Unitree arbeiten. Dem stehen die offene Nachfolge, Kartellverfahren in China und Frankreich, Exportkontrollen, die Abhängigkeit von Auftragsfertigern und die Frage gegenüber, wie viel der Nachfrage NVIDIA selbst finanziert.20.11.2026Weißer Jaguar I-Pace mit Waymo-Schriftzug, großem Sensoraufbau auf dem Dach und Kameras an den Kotflügeln steht auf einer Straße mit gelber Doppellinie. Im Hintergrund ein Bauzaun mit Graffiti, die Hochhäuser von San Francisco mit dem Salesforce Tower und ein Baukran unter blauem Himmel.AnalyseRobotaxis: Kalifornien verbannt Waymo von der Autobahn, Uber startet in MünchenKalifornien untersagt Waymo nach Fahrten in Autobahnbaustellen den fahrerlosen Betrieb auf Autobahnen. In München fahren Uber und Momenta seit dem 18. November mit Fahrgästen, kostenlos und mit Sicherheitskraft an Bord.19.11.2026Der rote vierbeinige Laufroboter ANYmal geht auf einem Schotterweg über eine Almwiese, vor ihm laufen zwei Kühe, links liegt ein See unter steilen grünen Felshängen; dazu der Schriftzug „We took our Robot Hiking“, „Seealpsee · Swiss Alps“ und „2.4 km lake loop · ROAM“VideoANYmal wandert um den Seealpsee: Laufroboter navigiert mit KIEin Laufroboter auf Bergtour: Das Robotic Systems Lab der ETH Zürich zeigt, wie ANYmal mit dem System ROAM an Kühen und Wanderern vorbei einen Alpensee umrundet.19.11.2026Humanoider Roboter von vorn vor weißem Hintergrund, vom Kopf bis zu den Oberschenkeln: ein Gerüst aus Metallrohren mit Kabelsträngen und schwarzen Gelenkantrieben, im Brustkorb ein blau leuchtender Lüfter, als Kopf ein Sensormodul mit mehreren Kameralinsen, an den Armen GreifhändeAnalyseFiktion und Wirklichkeit: Terminator – was autonome Waffen heute könnenIm Kino übernimmt Skynet die Welt und schickt den T-800 auf Menschenjagd. Echte Waffen sind davon weit entfernt, doch manche wählen ihre Ziele heute schon selbst. Was Loitering Munition und Drohnenschwärme können, was „human in the loop“ bedeutet und worüber die Staaten in Genf beraten.17.11.2026