OOWM: Objektorientiertes Weltmodell für Embodied Reasoning

Ein neues Forschungsframework namens Object‑Oriented World Modeling (OOWM) verspricht, die Art und Weise zu verändern, wie große Sprachmodelle (LLMs) in eingebetteten Aufgaben denken und planen. Während die beliebte Chain‑of‑Thought‑Methode LLMs mit linearem Text‑Reasoning ausstattet, fehlt ihr die Möglichkeit, Zustandsräume, Objekthierarchien und kausale Abhängigkeiten explizit darzustellen – wesentliche Elemente für robuste Robotik‑Planung.

OOWM definiert das Weltmodell nicht mehr als latenten Vektorraum, sondern als symbolisches Tupel W = ⟨S, T⟩. Dabei steht S für die Umgebungs­zustände, die durch eine State‑Abstraktion G_state repräsentiert werden, und T für die Übergangsfunktion, die in einer Control‑Policy G_control kodiert ist. Durch die Nutzung von UML‑Diagrammen werden diese Konzepte konkretisiert: Klassendiagramme strukturieren die visuelle Wahrnehmung in klare Objekthierarchien, während Aktivitätsdiagramme die Planung in ausführbare Steuerungsflüsse übersetzen.

Zur Schulung kombiniert OOWM ein dreistufiges Pipeline‑Modell aus Supervised Fine‑Tuning (SFT) und Group Relative Policy Optimization (GRPO). Dabei werden ergebnisbasierte Belohnungen aus dem finalen Plan genutzt, um die objektorientierte Reasoning‑Struktur indirekt zu optimieren – ein Ansatz, der auch bei spärlichen Annotationen effektiv lernt. Erste Tests auf dem MRoom‑30k‑Benchmark zeigen, dass das Modell signifikante Verbesserungen in der Planungskompetenz von LLMs erzielt.