Spatial‑Gym: Neue Benchmark für räumliches Denken in Robotik und Navigation

In der Robotik und Navigation ist räumliches Denken entscheidend – aber bisher fehlt ein klares Messinstrument. Mit dem neuen Spatial‑Gym, einer Gymnasium‑Umgebung, wird genau das Problem angegangen: Es isoliert die räumliche Logik, indem es Pfadfindungsaufgaben in 2‑D‑Rasterräumen als sequentielle Entscheidungsaufgabe mit optionalem Rückverfolgen testet.

In einer umfassenden Studie wurden acht KI‑Modelle in drei unterschiedlichen Modi – einmalig, schrittweise und schrittweise mit Rückverfolgung – gegen menschliche, zufällige und A*‑Baselines auf 500 Episoden getestet. Das leistungsstärkste Modell, GPT‑OSS 120B, erreichte einen Lösungs­rate von 16,0 %, was 82 Punkte unter dem menschlichen Niveau von 98,0 % liegt. Der schrittweise Modus half schwächeren Modellen um bis zu 5,4 % und verbesserte die Genauigkeit, während stärkere Modelle durch die Einschränkung der globalen Planung um bis zu 5,6 % zurückfielen. Rückverfolgung erhöhte die Episodenabschlussrate, profitierte jedoch nur bei schwächeren Modellen.

Die Experimente lieferten drei zentrale Erkenntnisse: Erstens passen Modelle ihre Rechenleistung nicht proportional zur Schwierigkeit an. Zweitens führt die Verwendung von Bilddaten für räumliche Umgebungen zu einer 73‑Prozent‑Reduktion der Lösungsrate. Drittens bleibt die erweiterte Chain‑of‑Thought‑Logik im Schritt‑für‑Schritt‑Modus 3‑5‑mal genauer als Standardinferenz.

Spatial‑Gym bietet damit ein neues Diagnosewerkzeug, um die Grenzen aktueller Modelle zu verstehen und eröffnet gleichzeitig einen Rahmen für die Verbesserung räumlicher Fähigkeiten durch Verstärkungslernen. Die Ergebnisse zeigen, dass es noch viel Raum für Fortschritte gibt, insbesondere bei der Skalierung von Rechenressourcen und der Integration von Bilddaten in die Entscheidungsfindung.