Das in dem Two-Minute-Papers-Video vorgestellte System zeigt, dass ein KI-Agent komplexe Parkour-Bewegungen – darunter Sprünge, Landungen und Hindernisüberquerungen – allein aus einem kurzen Videoclip von etwa 30 Sekunden Länge erlernen kann. Traditionelle Ansätze für Bewegungsimitation in der Reinforcement-Learning-Forschung setzen typischerweise auf aufwändiges Motion-Capture-Equipment, groß angelegte Demonstrations-Datensätze oder sorgfältig handgefertigte Reward-Funktionen, die von Experten definiert werden müssen. Das neue Verfahren umgeht diese Anforderungen, indem es direkt aus rohem Videomaterial lernt und daraus eigenständig die nötigen Bewegungsabläufe ableitet. Besonders bemerkenswert ist die Effizienz: Während bisherige Methoden oft Minuten bis Stunden an Referenzmaterial benötigten, genügen hier wenige Sekunden realen Bewegungsvideos. Der Ansatz ist damit potenziell auf günstig verfügbares Online-Videomaterial anwendbar, was die Einstiegshürde für das Training physisch realistischer Agenten deutlich senkt. Einordnung in den Forschungskontext: Die Arbeit reiht sich in eine wachsende Klasse von Methoden ein, die darauf abzielen, Bewegungswissen aus unstrukturierten, kostengünstigen Quellen zu destillieren, anstatt auf aufwändige Labordaten angewiesen zu sein. Für Robotik und Spielsimulation könnte das bedeuten, dass künftig mit minimalem Aufwand eine breite Palette von Bewegungsstilen implementierbar wird.