Bislang benötigten humanoide Roboter für jeden Einsatzort wochenlanges Training: Programmierer mussten Fabrikhallen vermessen, Bewegungsabläufe mühsam vor Ort demonstrieren und millimetergenaue 3D-Karten anlegen. Dem US-Robotikunternehmen Figure soll nun ein entscheidender Durchbruch bei der praktischen Anpassungsfähigkeit gelungen sein. Mit dem neuen neuronalen Steuerungsmodell Helix 2.5 demonstrierte das Unternehmen, dass ein humanoider Roboter in 30 realen, ihm zuvor völlig unbekannten Wohnungen nützliche Aufgaben im Haushalt autonom bewältigen kann - ohne ein einziges Trainingsbeispiel aus diesen Räumen.
Figure-Gründer Brett Adcock veröffentlichte dazu ein mehrstündiges Video, das den humanoiden Roboter bei typischen Haushaltsarbeiten in ungesehenen Mietwohnungen in der Region San Francisco zeigt. Das System operierte dabei komplett autonom auf Basis von Bordkameras und neuronalen Netzen.
Vom Fließband in 30 ungesehene Wohnungen
Während frühere Meilensteine wie der 200-Stunden-Dauertest in der Logistik oder der Einsatz des Figure 03 am Fließband in fest definierten, vorab erfassten Industriehallen stattfanden, gelten Privathaushalte als Königsdisziplin der Robotik. Keine Wohnung gleicht der anderen: Möbel weisen unterschiedliche Höhen und Farben auf, Spielzeug liegt verstreut auf Teppichen, und wechselnde Lichtverhältnisse erschweren die optische Erkennung.
Für die Testreihe mietete Figure nach eigenen Angaben 30 echte Wohnungen in der San Francisco Bay Area an. Die Roboter wurden ohne lokale Datenaufnahme, ohne vorheriges Abtasten der Räume und ohne Anpassung an die spezifischen Möbelstücke vor Ort aufgestellt. Im Fokus standen drei anspruchsvolle Aufgaben, die eine koordinierte Ganzkörpersteuerung aus Fortbewegung, optischer Orientierung und beidhändiger Manipulation erfordern:
- Wohnzimmer aufräumen: 13 bis 15 im Raum verstreute Spielzeuge und Gegenstände erkennen, aufheben und in einen Korb ablegen.
- Handtücher falten: Textilien von Oberflächen greifen, beidhändig glätten, zusammenlegen und im Wäschekorb verstauen.
- Betten machen: Kopfkissen an das Kopfende legen, die Bettdecke an den Ecken fassen, glattziehen und bündig ausrichten.
| Kriterium | Bisheriger Ansatz (Helix 02) | Neuer Standard (Helix 2.5) |
|---|---|---|
| Trainingsumgebung | Datenaufnahme direkt in der späteren Zielumgebung | Zero-Shot: Keine Daten aus den 30 Testwohnungen |
| Vortrainings-Basis | Kombination aus Vision-Language-Modell und Teleoperation | Vollständiges Vortraining auf dem Index-Datensatz |
| Erfolgsquote ungesehen | Rund 9 Prozent bei unbekannten Umgebungen | 56 Prozent vollständige Aufgabenerfüllung |
| Datenaufwand je Aufgabe | 100 Prozent (Referenzwert für neue Verhaltensweisen) | Halbierung der aufgabenspezifischen Datenmenge |
| Fehlerkorrektur | Oft Abbruch bei verfehltem Griff | Autonomes Zurücktreten, Umpositionieren und Nachgreifen |
Der Datensatz Index vervielfacht die Erfolgsquote
Der Schlüssel zu dieser Generalisierung liegt nicht in einer veränderten Robotermechanik, sondern in der Datenbasis. Statt jeden Griff zeitaufwendig per Teleoperation über VR-Brillen durch menschliche Bediener am echten Roboter einzuüben, trainierte Figure sein Modell auf der unternehmenseigenen Datenplattform Index vor.
Index ist eine weltweite Datensammlung menschlicher Alltagshandlungen, die Figure über eine eigene Smartphone-App aggregiert. Über 264.000 Menschen in mehr als 100 Ländern luden bereits über 16 Millionen Kurzvideos hoch, in denen sie alltägliche Tätigkeiten wie Kochen, Putzen, Bettenmachen oder handwerkliche Handgriffe filmen. Figure vergütete diese Beiträge bislang mit insgesamt 15 Millionen US-Dollar. Die Plattform verarbeitet derzeit rund 35 Minuten neues Videomaterial pro Sekunde.
In kontrollierten Blindtests verglich Figure zwei identisch konfigurierte neuronale Netze: Ein Modell wurde ohne Index-Vortraining direkt auf die Aufgaben trainiert und erreichte in den fremden Wohnungen lediglich eine Erfolgsquote von 9 Prozent. Das mit Index vorab trainierte Modell Helix 2.5 erzielte unter exakt gleichen Bedingungen eine Erfolgsquote von 56 Prozent - eine mehr als sechsfache Steigerung. Teilpunkte wurden nicht vergeben; ein Durchlauf galt nur dann als Erfolg, wenn ausnahmslos alle Gegenstände korrekt aufgeräumt oder gefaltet wurden.
Skalierungsgesetze für die physische Welt
Besonders bemerkenswert ist die Entdeckung eines reproduzierbaren Skalierungsgesetzes für den Transfer von Mensch-zu-Roboter-Daten. In der Sprachmodell-Entwicklung ist lange bekannt, dass Modelle mit steigender Rechenleistung und Datenmenge mathematisch präzise besser werden. Figure wies nach eigenen Angaben nach, dass dieses Prinzip auch für humanoide Bewegungen gilt:
Mit jeder Verdoppelung der Index-Trainingsdaten sank der Fehler bei der Vorhersage der nächsten Roboteraktion so gleichmäßig, dass das Forschungsteam den Testverlust seines größten Modells vor Beginn des Trainings auf vier Nachkommastellen genau prognostizieren konnte. Die Abweichung zwischen Vorhersage und realem Trainingslauf habe lediglich 0,54 Prozent betragen.
In der Praxis ermöglicht dies eine bemerkenswerte Fähigkeit zur Ganzkörper-Selbstkorrektur. Rutscht dem Roboter beispielsweise ein Handtuch aus den Fingern oder liegt ein Kissen schief, bricht das System nicht ab. Der humanoide Helfer tritt stattdessen einige Schritte zurück, wechselt das Standbein, verschafft sich über seine Kameras einen neuen Blickwinkel und greift erneut zu. Um diese Entwicklung weiter zu beschleunigen, sicherte sich das Unternehmen nach eigenen Angaben Rechenkapazitäten im Wert von 3,5 Milliarden US-Dollar.
Hintergrund und Realitätscheck
44 Prozent Fehlversuche: Ein Sprung von 9 auf 56 Prozent ist wissenschaftlich signifikant, bedeutet im Alltag jedoch, dass fast jeder zweite Versuch misslingt. Ein Haushaltsroboter, der bei 44 Prozent aller Einsätze steckenbleibt, ist von der Marktreife für Verbraucher noch weit entfernt.
Vereinfachte Aufgabenstellungen: Die geprüften Szenarien - Stofftiere greifen oder Kissen auflegen - sind grobmotorisch verzeihend. Anspruchsvolle Aufgaben wie das Hantieren mit Messern, das Tragen heißer Flüssigkeiten oder das Einräumen von zerbrechlichem Porzellan wurden nicht getestet.
Datenschutzbedenken bei Video-Crowdsourcing: Das Geschäftsmodell von Index basiert darauf, dass Privatpersonen intime Einblicke in ihre Wohnungen hochladen. Auch wenn Figure mehrstufige Filter zur Anonymisierung einsetzt, birgt das massenhafte Einspeisen privater Wohnräume in Trainingsdatenbanken erhebliche Privatsphäre- und Regulierungsrisiken.
🎯 Was das für die Praxis bedeutet
1. Haushaltseinsatz bleibt Zukunftsmusik: Trotz der beachtlichen Demos bleibt die Marktreife für Konsumenten auf absehbare Zeit unrealistisch. Der wirtschaftliche Nutzen humanoider Systeme konzentriert sich mittelfristig weiterhin auf strukturierte Umgebungen in Logistik und Produktion.
2. Paradigmenwechsel bei Trainingsdaten: Der Beweis, dass passive menschliche Smartphone-Videos die teure Roboter-Fernsteuerung ersetzen können, senkt die Grenzkosten für neue Fähigkeiten drastisch. Datenbeschaffung wandelt sich vom Ingenieursproblem zur Plattformökonomie.
3. Skalierungsvorsprung wird zum Burggraben: Die Entdeckung klarer Skalierungsgesetze belohnt finanzstarke Akteure. Wer wie Figure Milliardenbudgets für Rechenzentren und Datenprämien aufbringen kann, baut einen Vorsprung auf, den kleinere Robotikfirmen kaum einholen können.
