Glanz: aiMOOC über GPT aiMOOC Action erstellt

2026-07-06T16:29:59Z

aiMOOC über GPT aiMOOC Action erstellt

Neue Seite

{{T}}
{{BR}}
= Einleitung =

'''Verkörperte KI''' oder '''Embodied Artificial Intelligence''' beschreibt [[Künstliche Intelligenz]], die nicht nur Texte, Bilder oder Zahlen verarbeitet, sondern mit einer [[Umwelt]] über einen [[Körper]], [[Sensor|Sensoren]] und [[Aktor|Aktoren]] verbunden ist. Eine solche KI nimmt etwas wahr, handelt, erhält Rückmeldungen und verändert ihr Verhalten. Dadurch entsteht ein Lernkreislauf aus '''Wahrnehmung''', '''Entscheidung''', '''Handlung''' und '''Feedback'''. Bei '''Embodied Neural Networks''' steht besonders die Frage im Mittelpunkt, wie [[Neuronales Netz|neuronale Netze]] so gestaltet, trainiert und eingesetzt werden können, dass sie in körperlichen oder simulierten Systemen handeln lernen. Das Thema verbindet [[Informatik]], [[Robotik]], [[Kognitionswissenschaft]], [[Neurowissenschaft]], [[Regelungstechnik]], [[Ethik]] und [[Bildung für nachhaltige Entwicklung]].

{{#ev:youtube|https://www.youtube.com/watch?v=FtVNjUZt6es|500|center}}

Der Begriff '''physische KI''' betont, dass intelligente Systeme in der realen Welt wirksam werden: Ein [[Roboter]] greift einen Gegenstand, ein autonomes Fahrzeug reagiert auf Verkehr, eine Prothese passt sich der Bewegung eines Menschen an, ein Pflegeroboter navigiert in einer Wohnung oder ein Industriearm lernt, empfindliche Objekte zu handhaben. Anders als reine [[Software]] muss verkörperte KI mit Reibung, Gewicht, Energieverbrauch, Unsicherheit, Materialeigenschaften, Verzögerungen, Sicherheitsregeln und unvorhersehbaren Situationen umgehen.

[[Datei:Artificial neural network.svg|500px|rahmenlos|center]]

{{BR}}
= Grundidee: Intelligenz im Wahrnehmungs-Handlungs-Kreislauf =

Verkörperte KI geht von der Annahme aus, dass intelligentes Verhalten nicht allein im inneren Modell eines Computers entsteht. Stattdessen entwickelt sich Intelligenz im Zusammenspiel von [[Körper]], [[Umgebung]], [[Sensorik]], [[Motorik]], [[Gedächtnis]], [[Lernen]] und [[Zielorientierung]]. Ein System lernt nicht nur aus Daten, sondern aus Folgen seiner eigenen Handlungen.

Ein einfacher verkörperter KI-Kreislauf besteht aus folgenden Elementen:
# [[Sensorik]]: Kameras, Mikrofone, Kraftsensoren, Tastsensoren, Tiefensensoren, Beschleunigungssensoren oder Gelenkwinkelsensoren erfassen Informationen.
# [[Wahrnehmung]]: Ein KI-Modell erkennt Muster, Objekte, Bewegungen, Hindernisse, Zustände oder Absichten.
# [[Weltmodell]]: Das System bildet eine interne Vorstellung davon, was gerade geschieht und was als Nächstes passieren könnte.
# [[Planung]]: Das System wählt eine Handlung aus, die zu einem Ziel passt.
# [[Aktuatorik]]: Motoren, Greifer, Räder, Beine, Gelenke oder künstliche Muskeln setzen die Handlung um.
# [[Feedback]]: Die Umwelt reagiert. Das System misst, ob die Handlung erfolgreich war, und passt sein Verhalten an.

Dieser Kreislauf wird oft als '''perception-action loop''' bezeichnet. Er ist zentral, weil verkörperte KI nicht nur erkennt, sondern handelt. Eine Bild-KI kann beispielsweise einen Becher erkennen. Eine verkörperte KI muss zusätzlich einschätzen, wie groß der Becher ist, ob er zerbrechlich ist, wie schwer er sein könnte, wo er sicher gegriffen werden kann und was passiert, wenn der Greifer abrutscht.

{{BR}}
== Embodied Neural Networks ==

'''Embodied Neural Networks''' sind [[Neuronales Netz|neuronale Netze]], die in einen körperlichen oder simulierten Handlungskontext eingebettet sind. Sie verarbeiten nicht nur statische Daten, sondern kontinuierliche Ströme aus Wahrnehmung, Bewegung und Rückmeldung. Dabei können unterschiedliche Netztypen kombiniert werden:
# [[Convolutional Neural Network]]: Verarbeitung von Bildern, Tiefenkarten oder visuellen Merkmalen.
# [[Rekurrentes neuronales Netz]] und [[Long Short-Term Memory]]: Verarbeitung zeitlicher Abläufe, Bewegungssequenzen und Zustandsverläufe.
# [[Transformer]]: Verarbeitung multimodaler Informationen wie Sprache, Bild, Handlung und Kontext.
# [[Graph Neural Network]]: Darstellung von Objekten, Beziehungen, Körperteilen, Gelenken oder Kontaktnetzen.
# [[Reinforcement Learning|Bestärkendes Lernen]]: Lernen durch Belohnung, Versuch, Irrtum und Rückmeldung.
# [[Imitation Learning]]: Lernen durch Nachahmung menschlicher oder robotischer Demonstrationen.
# [[Neuromorphic Computing]]: Hardware und Rechenmodelle, die sich an neuronalen Prinzipien wie Ereignisverarbeitung, Sparsamkeit und Parallelität orientieren.

Wichtig ist: Der Begriff '''Embodied Neural Networks''' ist kein einzelner fest normierter Netzwerktyp wie ein [[Convolutional Neural Network]]. Er ist eher ein Sammelbegriff für Ansätze, bei denen neuronale Netze mit Körper, Umwelt, Handlung und Feedback verbunden werden.

{{BR}}
== Von der Theorie zur physischen KI ==

Der Weg von der Theorie zur physischen KI beginnt meist in der [[Simulation]]. Dort kann ein Agent viele Handlungen ausprobieren, ohne Menschen zu gefährden oder Hardware zu beschädigen. Anschließend wird das Gelernte auf reale Roboter übertragen. Dieser Schritt heißt häufig '''Sim-to-Real-Transfer'''. Er ist schwierig, weil die Simulation nie vollständig der realen Welt entspricht. Kleine Unterschiede bei Reibung, Licht, Material, Sensorrauschen oder Motorverhalten können dazu führen, dass ein in der Simulation erfolgreicher Roboter in der echten Welt versagt.

[[Datei:Icub full body.JPG|400px|rahmenlos|center]]

Physische KI muss daher robust sein. Ein System soll nicht nur in perfekten Laborbedingungen funktionieren, sondern auch bei veränderten Lichtverhältnissen, unbekannten Objekten, begrenztem Platz, abweichenden Menschenbewegungen oder Fehlern in den Sensordaten. Für verkörperte KI sind deshalb [[Sicherheit]], [[Erklärbarkeit]], [[Robustheit]], [[Energieeffizienz]], [[Datenschutz]] und [[Verantwortung]] besonders wichtig.

{{BR}}
= Zentrale Konzepte =

{{BR}}
== Körper, Umwelt und Affordanzen ==

Eine '''Affordanz''' beschreibt eine Handlungsmöglichkeit, die sich aus der Beziehung zwischen einem Körper und einem Objekt ergibt. Ein Griff bietet einem Menschen die Möglichkeit zum Ziehen. Für einen Roboter mit Sauggreifer bietet derselbe Griff vielleicht keine gute Greifmöglichkeit. Ein niedriger Absatz kann für ein Rad ein Hindernis sein, für ein Bein aber eine Stufe. Verkörperte KI muss daher nicht nur Dinge erkennen, sondern einschätzen, was sie mit ihrem eigenen Körper tun kann.

{{BR}}
== Propriozeption und Körperschema ==

[[Propriozeption]] bedeutet, dass ein System Informationen über den eigenen Körperzustand erhält. Dazu gehören Gelenkwinkel, Geschwindigkeit, Kraft, Balance, Lage im Raum und Kontakt mit Oberflächen. Ein Roboter, der gehen lernen soll, braucht nicht nur Kamerabilder, sondern auch Rückmeldungen über seine Gelenke, seinen Schwerpunkt und den Bodenkontakt. Ein internes '''Körperschema''' hilft dabei, Bewegungen zu planen und Fehler zu korrigieren.

{{BR}}
== Multimodale Wahrnehmung ==

Verkörperte KI nutzt oft mehrere Sinneskanäle gleichzeitig. Ein Serviceroboter kann mit einer Kamera erkennen, wo ein Objekt liegt, mit einem Tiefensensor die Entfernung messen, mit einem Mikrofon Sprachbefehle aufnehmen und mit einem Kraftsensor prüfen, ob ein Griff zu stark ist. Die Verbindung dieser Kanäle heißt [[Multimodalität]]. Sie macht Systeme leistungsfähiger, aber auch komplexer, weil die Daten zeitlich, räumlich und semantisch zusammengeführt werden müssen.

{{BR}}
== Lernen durch Handlung ==

Klassische KI-Systeme lernen häufig aus vorhandenen Datensätzen. Verkörperte KI kann zusätzlich durch eigene Handlung lernen. Beim [[Reinforcement Learning]] erhält ein Agent eine Belohnung, wenn er einem Ziel näherkommt. Beim [[Imitation Learning]] beobachtet er Demonstrationen und versucht, diese nachzuahmen. Beim [[Self-supervised Learning|selbstüberwachten Lernen]] erzeugt das System Lernsignale aus der eigenen Erfahrung, etwa indem es vorhersagt, wie sich ein Objekt nach einem Stoß bewegt.

{{BR}}
== Weltmodelle und Planung ==

Ein [[Weltmodell]] ist eine interne Repräsentation der Umgebung und ihrer möglichen Veränderungen. Für verkörperte KI ist ein gutes Weltmodell entscheidend, weil Handlungen Folgen haben. Ein Roboter muss beispielsweise vorhersagen, ob ein Glas kippt, ob ein Weg frei bleibt oder ob eine Tür nach innen oder außen öffnet. Weltmodelle können symbolische Elemente, neuronale Vorhersagen, physikalische Simulationen und Erfahrungswissen kombinieren.

{{BR}}
== Kontrolle, Regelung und Echtzeitfähigkeit ==

Ein verkörpertes System muss oft in Echtzeit reagieren. Das bedeutet, dass Wahrnehmung, Planung und Bewegung schnell genug ablaufen müssen. Ein Laufroboter kann nicht mehrere Sekunden warten, bevor er auf einen Stolperimpuls reagiert. Deshalb verbindet physische KI häufig [[Maschinelles Lernen]] mit klassischer [[Regelungstechnik]]. Während neuronale Netze Muster erkennen und Strategien lernen, sorgen Regler für Stabilität, Sicherheit und präzise Bewegungen.

{{BR}}
= Anwendungsfelder =

{{BR}}
== Robotik und Industrie ==

In der [[Industrie 4.0]] können verkörperte KI-Systeme Montage, Sortierung, Qualitätsprüfung oder flexible Fertigung unterstützen. Besonders anspruchsvoll sind Aufgaben, bei denen Objekte variieren, Materialien weich oder empfindlich sind oder Menschen und Roboter denselben Arbeitsraum teilen. Kollaborative Roboter, sogenannte [[Cobot|Cobots]], benötigen eine sichere Verbindung aus Wahrnehmung, Kraftbegrenzung, Planung und menschzentrierter Gestaltung.

[[Datei:ROKVISS robotic arm.jpg|500px|rahmenlos|center]]

{{BR}}
== Medizin, Pflege und Assistenzsysteme ==

In Medizin und Pflege kann verkörperte KI bei Rehabilitation, Prothesensteuerung, Mobilitätshilfen, Telepräsenz, Operationstechnik oder Alltagshilfen eingesetzt werden. Dabei ist die Verantwortung besonders hoch, weil verletzliche Menschen betroffen sein können. Systeme müssen nachvollziehbar, zuverlässig, hygienisch, sicher und datenschutzkonform gestaltet werden. Eine verkörperte KI darf menschliche Betreuung nicht ersetzen, kann aber unterstützende Aufgaben übernehmen.

{{BR}}
== Bildung und Forschung ==

In der Bildung kann verkörperte KI helfen, abstrakte Inhalte sichtbar und erfahrbar zu machen. Lernende können Roboter programmieren, Sensoren auswerten, einfache neuronale Netze trainieren oder ethische Fragen diskutieren. In der Forschung dienen Roboter als Testplattformen für Theorien über Lernen, Wahrnehmung, Sprache, Motorik und soziale Interaktion.

[[Datei:Kismet robot 20051016.jpg|400px|rahmenlos|center]]

{{BR}}
== Alltag, Haushalt und Mobilität ==

Staubsaugroboter, autonome Lieferroboter, intelligente Rollstühle, Drohnen oder Assistenzroboter zeigen, wie physische KI in Alltagsräume vordringt. Gerade in Wohnungen, Schulen, Krankenhäusern oder Städten sind Umgebungen jedoch unstrukturiert. Menschen bewegen sich unvorhersehbar, Gegenstände liegen anders als geplant, Licht und Geräusche ändern sich. Daher ist Alltagstauglichkeit eine der größten Herausforderungen für verkörperte KI.

{{BR}}
= Chancen und Grenzen =

{{BR}}
== Chancen ==

Verkörperte KI kann Menschen bei gefährlichen, körperlich belastenden, monotonen oder präzisionsintensiven Tätigkeiten unterstützen. Sie kann in Katastrophengebieten, in der Pflege, in der Landwirtschaft, im Weltraum, in Laboren oder in barrierefreien Assistenzsystemen hilfreich sein. Außerdem kann sie neue Erkenntnisse darüber liefern, wie Lernen, Wahrnehmung und Handlung zusammenhängen.

{{BR}}
== Technische Grenzen ==

Viele beeindruckende Demonstrationen funktionieren nur unter kontrollierten Bedingungen. Die reale Welt ist offen, laut, dynamisch und teilweise gefährlich. Zu den wichtigsten technischen Problemen gehören:
# [[Reality Gap]]: Der Unterschied zwischen Simulation und Wirklichkeit.
# [[Datenqualität]]: Physische Handlungsdaten sind schwerer zu sammeln als Text- oder Bilddaten.
# [[Robustheit]]: Systeme müssen mit Fehlern, Störungen und unbekannten Situationen umgehen.
# [[Energieeffizienz]]: Mobile Roboter haben begrenzte Batterien und Rechenleistung.
# [[Sicherheit]]: Falsche Handlungen können materielle Schäden oder Verletzungen verursachen.
# [[Generalisierung]]: Ein Verhalten, das in einer Umgebung funktioniert, muss nicht in einer anderen Umgebung funktionieren.

{{BR}}
== Gesellschaftliche und ethische Fragen ==

Verkörperte KI ist nicht nur eine technische, sondern auch eine gesellschaftliche Herausforderung. Wenn KI physisch handelt, stellen sich Fragen nach Haftung, Kontrolle, Transparenz, Arbeitsbedingungen, Privatsphäre, Inklusion und Machtverteilung. Besonders wichtig ist, dass Menschen verstehen, was ein System kann und was es nicht kann. Übertriebene Versprechen können zu falschem Vertrauen führen. Zu wenig Transparenz kann Angst, Abhängigkeit oder Missbrauch fördern.

{{BR}}
= Didaktischer Leitgedanke =

In diesem aiMOOC lernst Du, verkörperte KI nicht als magischen Roboter, sondern als komplexes Zusammenspiel aus Körper, Daten, Modellen, Umwelt und Verantwortung zu verstehen. Du sollst technische Grundprinzipien erklären, Anwendungen beurteilen, Risiken einschätzen und eigene kleine Projekte oder Analysen entwickeln können.

{{#ev:youtube| https://www.youtube.com/watch?v=jn3iypY-cN4 |500|center}}

{{BR}}
= Interaktive Aufgaben =

{{BR}}
== Quiz: Teste Dein Wissen ==

{{MC}}

'''Was ist das Kernmerkmal verkörperter KI?'''
(Sie verbindet Wahrnehmung, Handlung und Umwelt über einen Körper)
(!Sie arbeitet ausschließlich mit Textdaten)
(!Sie benötigt grundsätzlich keine Sensoren)
(!Sie ist immer identisch mit Sprach-KI)

{{E}}
<br>

{{MC}}

'''Was beschreibt ein Aktor in einem verkörperten KI-System?'''
(Ein Bauteil, das eine Handlung physisch ausführt)
(!Ein Datensatz mit Trainingsbildern)
(!Eine Fehlermeldung im Programm)
(!Eine reine Textausgabe eines Chatbots)

{{E}}
<br>

{{MC}}

'''Warum ist der Sim-to-Real-Transfer schwierig?'''
(Weil Simulationen die reale Welt nie vollständig abbilden)
(!Weil Roboter in Simulationen keine Daten erzeugen können)
(!Weil reale Sensoren immer perfekt messen)
(!Weil physische Systeme keine Rückmeldungen geben)

{{E}}
<br>

{{MC}}

'''Was bedeutet Propriozeption bei Robotern?'''
(Informationen über den eigenen Körperzustand erfassen)
(!Eine Webseite automatisch übersetzen)
(!Einen Text in mehrere Sprachen schreiben)
(!Eine Batterie kabellos aufladen)

{{E}}
<br>

{{MC}}

'''Was ist eine Affordanz?'''
(Eine Handlungsmöglichkeit zwischen Körper und Objekt)
(!Ein Passwort für ein neuronales Netz)
(!Eine feste Zahl in einem Datensatz)
(!Ein ausschließlich rechtlicher Begriff)

{{E}}
<br>

{{MC}}

'''Welche Lernform passt besonders zu Versuch, Irrtum und Belohnung?'''
(Reinforcement Learning)
(!Tabellenkalkulation)
(!Dateikompression)
(!Textformatierung)

{{E}}
<br>

{{MC}}

'''Warum ist Sicherheit bei physischer KI besonders wichtig?'''
(Weil falsche Handlungen reale Schäden verursachen können)
(!Weil physische KI niemals Menschen begegnet)
(!Weil Roboter keine Energie benötigen)
(!Weil Sensoren grundsätzlich unfehlbar sind)

{{E}}
<br>

{{MC}}

'''Was leistet ein Weltmodell in verkörperter KI?'''
(Es hilft, Zustände und Folgen von Handlungen vorherzusagen)
(!Es ersetzt alle Sensoren vollständig)
(!Es verhindert jede Unsicherheit automatisch)
(!Es ist nur ein anderes Wort für Akkumulator)

{{E}}
<br>

{{MC}}

'''Welche Kombination gehört typischerweise zu verkörperter KI?'''
(Sensoren, neuronale Netze, Aktoren und Feedback)
(!Drucker, Papier, Stift und Lineal)
(!Tastatur, Textfarbe, Schriftgröße und Rand)
(!Passwort, Benutzername, Emoji und Speicherort)

{{E}}
<br>

{{MC}}

'''Welche Aussage zu Embodied Neural Networks ist angemessen?'''
(Sie sind neuronale Netze in einem körperlichen Handlungskontext)
(!Sie sind immer nur einfache Tabellen)
(!Sie funktionieren grundsätzlich ohne Daten)
(!Sie sind ausschließlich für Rechtschreibprüfung gedacht)

{{E}}
<br>

{{BR}}
== Memory ==

<div class="memo-quiz">
{|
|-
| Sensorik || Wahrnehmen
|-
| Aktuatorik || Handeln
|-
| Propriozeption || Körperzustand
|-
| Weltmodell || Vorhersage
|-
| Affordanz || Handlungsmöglichkeit
|-
| Reinforcement Learning || Belohnung
|-
| Simulation || Risikofreies Training
|-
| Ethik || Verantwortung
|}
{{E}}
<br>

{{BR}}
== Drag and Drop ==

<div class="lueckentext-quiz">

{| class="wikitable"
! Ordne die richtigen Begriffe zu.
! Thema
|-
| '''Kamera'''
| Visuelle Wahrnehmung
|-
| '''Greifer'''
| Physische Manipulation
|-
| '''Kraftsensor'''
| Kontaktmessung
|-
| '''Weltmodell'''
| Folgen abschätzen
|-
| '''Belohnungssignal'''
| Lernen durch Rückmeldung
|-
| '''Not-Aus'''
| Sicherheit im Betrieb

|}
{{E}}

<br>
<br />

{{BR}}
== Kreuzworträtsel ==

<div class="kreuzwort-quiz">
{|
|-
| Sensor || Welches Bauteil nimmt Informationen aus der Umgebung auf?
|-
| Aktor || Welches Bauteil setzt Entscheidungen in Bewegung um?
|-
| Feedback || Wie heißt die Rückmeldung nach einer Handlung?
|-
| Simulation || Wo kann ein Roboter gefahrlos viele Versuche durchführen?
|-
| Robotik || Welches Fachgebiet verbindet Maschinenbau, Informatik und Steuerung?
|-
| Ethik || Welcher Bereich fragt nach Verantwortung und Folgen?
|}
{{E}}
<br>

{{BR}}
== LearningApps ==

<iframe> https://learningapps.org/index.php?s=Verk%C3%B6rperte+KI+Embodied+Neural+Networks </iframe>

{{BR}}
== Lückentext ==

<quiz display=simple>
{'''Vervollständige den Text.'''<br>
|type="{}"}
Verkörperte KI verbindet künstliche Intelligenz mit einem { Körper } und einer Umwelt. Sensoren liefern Informationen über Licht, Klang, Abstand, Kraft oder Bewegung, während { Aktoren } Handlungen ausführen. Der wichtigste Kreislauf besteht aus Wahrnehmung, Entscheidung, Handlung und { Feedback }. Ein neuronales Netz in einem Roboter muss nicht nur Muster erkennen, sondern auch die Folgen eigener Bewegungen in einer { Umgebung } berücksichtigen. In der Simulation kann ein Agent viele Versuche durchführen, bevor das Gelernte auf reale Hardware übertragen wird; dieser Schritt heißt { Sim-to-Real-Transfer }. Eine besondere Rolle spielt die { Propriozeption }, weil sie Informationen über den eigenen Körperzustand liefert. Für sichere physische KI sind Robustheit, Datenschutz, Erklärbarkeit und { Verantwortung } entscheidend.
</quiz>

<br>

{{BR}}
= Offene Aufgaben =

{{BR}}
=== Leicht ===
# [[Begriffskarte]]: Erstelle eine Begriffskarte zu verkörperter KI mit mindestens zehn Begriffen wie Sensor, Aktor, Weltmodell, Feedback und Simulation.
# [[Alltagsanalyse]]: Suche drei Beispiele für technische Systeme in Deinem Alltag, die Sensoren und Aktoren nutzen, und erkläre, ob sie bereits als verkörperte KI gelten können.
# [[Skizze]]: Zeichne den Wahrnehmungs-Handlungs-Kreislauf eines einfachen Roboters, der einem Hindernis ausweicht.
# [[Medienkritik]]: Beschreibe in fünf Sätzen, welche Erwartungen ein Video über humanoide Roboter wecken kann und welche Grenzen dabei sichtbar bleiben sollten.

{{BR}}
=== Standard ===
# [[Fallstudie]]: Analysiere einen Serviceroboter für ein Krankenhaus und beschreibe Sensoren, Aktoren, mögliche Aufgaben, Risiken und Sicherheitsmaßnahmen.
# [[Vergleich]]: Vergleiche eine reine Bild-KI mit einem verkörperten Roboter, der denselben Gegenstand greifen soll.
# [[Experiment]]: Entwickle ein kleines Gedankenexperiment, in dem ein Agent durch Versuch und Irrtum lernt, einen Ball zu rollen.
# [[Ethikdiskussion]]: Führe eine Pro-und-Kontra-Diskussion zur Frage, ob Roboter in Pflegeeinrichtungen alltägliche Unterstützungsaufgaben übernehmen sollten.

{{BR}}
=== Schwer ===
# [[Projektplanung]]: Entwirf ein Konzept für einen Schulroboter, der sicher durch einen Klassenraum navigiert, und beschreibe technische, rechtliche und pädagogische Anforderungen.
# [[Sim-to-Real-Analyse]]: Erkläre anhand eines selbst gewählten Beispiels, welche Unterschiede zwischen Simulation und Realität problematisch werden können.
# [[Modellentwurf]]: Entwickle ein vereinfachtes Modell für ein neuronales Netz, das Bilddaten, Kraftdaten und Gelenkwinkel zusammenführt.
# [[Zukunftsszenario]]: Schreibe ein realistisches Szenario für physische KI im Jahr 2035 und bewerte Chancen, Grenzen und gesellschaftliche Folgen.

{{:Offene Aufgabe - MOOC erstellen}}

{{BR}}
= Lernkontrolle =

# [[Transferaufgabe]]: Erkläre, warum ein Roboter, der einen Tisch decken soll, mehr können muss als Objekte auf Bildern zu erkennen.
# [[Systemanalyse]]: Beschreibe für einen autonomen Lieferroboter den vollständigen Kreislauf aus Wahrnehmung, Weltmodell, Planung, Handlung und Feedback.
# [[Fehlerdiagnose]]: Ein Roboter greift in der Simulation zuverlässig, lässt in der Realität aber häufig Objekte fallen. Nenne mögliche Ursachen und schlage Verbesserungen vor.
# [[Ethikbewertung]]: Bewerte, welche Daten ein Pflegeroboter erfassen darf und welche Grenzen aus Datenschutzgründen notwendig sind.
# [[Vergleichsaufgabe]]: Vergleiche Reinforcement Learning und Imitation Learning bei einem Laufroboter und erläutere, wann welche Methode sinnvoll sein könnte.
# [[Gestaltungsaufgabe]]: Entwickle Sicherheitsregeln für ein Klassenzimmerexperiment mit einem mobilen Roboter und begründe jede Regel.

<br>
<br>
{{BR}}
= Lernnachweis =

Für einen überzeugenden Lernnachweis zu verkörperter KI solltest Du zeigen, dass Du nicht nur Begriffe wiedergeben, sondern Zusammenhänge erklären und anwenden kannst.
# [[Grundverständnis]]: Du erklärst den Unterschied zwischen klassischer Software-KI und verkörperter KI.
# [[Systemdenken]]: Du beschreibst Sensoren, Aktoren, Weltmodell, Planung und Feedback als zusammenhängendes System.
# [[Technische Anwendung]]: Du analysierst ein Beispiel aus Robotik, Medizin, Industrie, Bildung oder Alltag.
# [[Transferleistung]]: Du überträgst die Konzepte auf ein neues Szenario und erkennst technische Grenzen.
# [[Ethik]]: Du bewertest Risiken, Verantwortung, Datenschutz, Sicherheit und gesellschaftliche Folgen.
# [[Reflexion]]: Du unterscheidest realistische Möglichkeiten von übertriebenen Zukunftsversprechen.

<br>
<br>
{{BR}}
= OERs zum Thema =

<iframe> https://de.m.wikipedia.org/wiki/Verk%C3%B6rperte_Kognition </iframe>

<iframe> https://de.m.wikipedia.org/wiki/K%C3%BCnstliche_Intelligenz </iframe>

<iframe> https://de.m.wikipedia.org/wiki/Robotik </iframe>

<br>

{{BR}}
= Links =

{| align=center
{{:D-Tab}}
'''[[Verkörperte KI]]'''
# [[Künstliche Intelligenz]]
# [[Neuronales Netz]]
# [[Robotik]]
# [[Sensor]]
# [[Aktor]]
# [[Reinforcement Learning]]
# [[Simulation]]
# [[Kognitionswissenschaft]]
# [[Ethik der künstlichen Intelligenz]]
# [[Mensch-Computer-Interaktion]]
|}

[[Kategorie:Künstliche Intelligenz]]
[[Kategorie:Informatik]]
[[Kategorie:Robotik]]
[[Kategorie:Technik]]
[[Kategorie:Ethik]]
[[Kategorie:Medienbildung]]
[[Kategorie:Studium]]
[[Kategorie:Klasse 11-13]]
= aiMOOC-Projekte =
[[Kategorie:AI_MOOC]] [[Kategorie:GPT aiMOOC]]
{{MT}}

Verkörperte KI - Embodied Neural Networks - Versionsgeschichte

Glanz: aiMOOC über GPT aiMOOC Action erstellt