World-Action-Modell erreicht 81,8 %: Was der Haushaltstest wirklich zeigt

Ein humanoider Roboter wischt einen Tisch, bewegt sich dabei seitwärts, hält das Gleichgewicht und korrigiert den Kontakt zum Tuch – ohne die Aufgabe in getrennte Geh- und Greifphasen zu zerlegen. Genau diese gleichzeitige Ganzkörperkoordination ist das Ziel von ω‑0. Das neue Forschungsmodell erreicht in einem realen Test mit elf Haushaltsaufgaben eine Erfolgsquote von 81,8 Prozent. Der Wert ist bemerkenswert, aber nur dann aussagekräftig, wenn man Testaufbau, Datengrundlage und Grenzen mitliest.

Das Wichtigste in Kürze

ω‑0 ist kein neuer Roboter, sondern ein lernendes Steuerungsmodell für humanoide Ganzkörperaufgaben.
Das System verbindet Sprachbefehl, Kamerabilder und Gelenkzustände und erzeugt daraus ausführbare Bewegungssequenzen für den ganzen Körper.
Im Versuchsaufbau absolvierte die stärkste Variante 81,8 Prozent der vollständigen Testläufe erfolgreich; der durchschnittliche Aufgabenfortschritt lag bei 90,3 Prozent.
Getestet wurde auf einem Unitree G1 mit zusätzlichen geschickten Händen – in elf definierten Aufgaben und jeweils zehn Durchläufen.
Das Ergebnis ist ein deutlicher Forschungsfortschritt, aber noch kein Nachweis für einen frei einsetzbaren Haushaltsroboter.

Warum Haushaltsarbeit für Humanoide so schwer ist

Für Menschen wirkt Tischwischen banal. Robotisch betrachtet müssen dabei jedoch Wahrnehmung, Schrittplanung, Gleichgewicht, Armbewegung, Handkraft und Kontakt mit der Oberfläche fortlaufend zusammenpassen. Ähnlich anspruchsvoll sind das Aufheben von Wäsche aus einer tiefen Trommel, das Öffnen eines Kühlschranks oder das Tragen eines Behälters, während Gegenstände in unterschiedlichen Höhen eingesammelt werden.

Viele bisherige Systeme behandeln Fortbewegung und Manipulation als getrennte Module: Erst läuft der Roboter an eine Position, dann steht er möglichst still und bewegt die Arme. Das funktioniert in strukturierten Demonstrationen, bricht aber bei Aufgaben auf, in denen Gehen, Beugen, Stützen, Greifen und Ziehen gleichzeitig stattfinden. In der Forschung heißt diese Verbindung loco-manipulation. Sie ist ein Schlüssel dafür, ob humanoide Roboter künftig in menschlich gestalteten Räumen wirklich nützlich werden.

Was ω‑0 technisch anders macht

ω‑0 ist ein sogenanntes latentes World-Action-Modell. Es erhält eine sprachliche Anweisung, die aktuelle visuelle Beobachtung und den eigenen Körperzustand des Roboters. Dazu gehören unter anderem Gelenkpositionen, Handkonfiguration und die Orientierung des Rumpfes. Aus diesen Informationen sagt es kompakte Ganzkörper-Aktionsrepräsentationen voraus, die ein nachgelagerter Low-Level-Controller in reale Bewegungen übersetzt.

Der entscheidende Punkt: Das Modell muss nicht erst vollständige zukünftige Videobilder erzeugen. Stattdessen lernt es, wie sich die relevanten Bildmerkmale einer Szene wahrscheinlich verändern werden. Diese Vorhersage findet in einem kompakten Merkmalsraum statt. Parallel erzeugt ein Diffusionsmodell die nächste Sequenz ausführbarer Ganzkörperaktionen. Vereinfacht gesagt lernt der Roboter nicht nur „Welche Bewegung folgt?“, sondern auch „Wie sollte die Situation danach aussehen?“ – ohne Rechenleistung für fotorealistische Zukunftsbilder zu verschwenden.

Damit gehört ω‑0 zur nächsten Entwicklungsstufe von Vision-Language-Action-Modellen. Klassische VLAs übersetzen Bild und Sprache direkt in Aktionen. World-Action-Modelle ergänzen ein gelerntes Verständnis der Dynamik: Sie sollen erfassen, welche Folgen eine Bewegung für Körper, Objekt und Umgebung hat. Für kontaktreiche Haushaltsarbeit ist das besonders wichtig, weil kleine Abweichungen beim Druck, Greifwinkel oder Standpunkt eine lange Handlungskette scheitern lassen können.

Die 81,8 Prozent richtig einordnen

Die Forschenden prüften sieben Modellfamilien unter demselben Protokoll. Jede Methode wurde auf den realen Demonstrationsdaten trainiert oder feinjustiert und musste elf Aufgaben mit jeweils zehn unabhängigen Versuchen ausführen. Ein Lauf galt nur dann als erfolgreich, wenn sämtliche Teilziele innerhalb des Zeitfensters erledigt wurden. Die Omni-Variante von ω‑0 erreichte 81,8 Prozent vollständige Erfolge, 36,7 von maximal 41 Teilaufgabenpunkten und 90,3 Prozent kontinuierlichen Aufgabenfortschritt.

Modell	Vollständige Erfolge	Aufgabenfortschritt
Diffusion Policy	15,5 %	40,6 %
π‑0.5	27,3 %	52,8 %
GR00T‑N1.7	22,7 %	49,8 %
ψ‑0	44,5 %	59,6 %
DiT4DiT	43,6 %	61,0 %
ω‑0 Ego	79,1 %	88,7 %
ω‑0 Omni	81,8 %	90,3 %

Die Zahl ist also kein allgemeiner „Intelligenzquotient“ für Haushaltsroboter. Sie ist der Mittelwert innerhalb eines klar definierten, von den Autoren entwickelten Testfeldes. Die stärkere Omni-Version nutzt beim Training mehrere Perspektiven einschließlich externer RGB- und Tiefenbilder; die Ego-Version arbeitet näher an der späteren Bordkamera-Perspektive. Bei der autonomen Ausführung kamen laut Paper keine Teleoperation, kein Bewegungs-Replay und keine geskripteten Eingriffe zum Einsatz.

Welche elf Aufgaben wurden getestet?

Die Tests reichen von kurzen Greifaufgaben bis zu längeren Abläufen mit Raumbewegung. Dazu gehören:

einen Apfel aufnehmen und in einen Korb legen,
einen Apfel in einem Regal platzieren,
Kleidung vom Bett in einen Korb werfen,
ein Handtuch vom Korb in die Waschmaschine legen,
einen Tisch wischen,
den Boden wischen,
Müll aus unterschiedlichen Höhen in einen getragenen Behälter sammeln,
einen Apfel in eine Schublade werfen und diese mit dem Knie schließen,
Müll vom Bett fegen, sich umdrehen und ihn in einen Behälter werfen,
Kleidung aus der Waschmaschine nehmen,
ein Getränk aus dem Kühlschrank holen.

Zehn der elf Aufgaben verlangen ausdrücklich Unterkörperbewegung. Damit prüft der Benchmark nicht nur die Geschicklichkeit der Hände, sondern die koordinierte Nutzung von Beinen, Rumpf, Armen und Greifern. Gerade das unterscheidet ihn von vielen Tisch-Benchmarks, bei denen ein fest montierter Roboterarm vor vorbereiteten Objekten arbeitet.

ω‑HOME: Warum die Daten fast so wichtig sind wie das Modell

Die Leistungssteigerung beruht nicht nur auf der Architektur. Für ω‑HOME sammelte das Team 40,3 Stunden reale Haushaltsdaten mit 4.827 Episoden und 24 Aufgabentypen bei 30 Bildern pro Sekunde. Pro Trajektorie wurden Sprachbefehl, Ego-Kamera, externe RGB-D-Aufnahmen, Körperbewegungen, Gelenkzustände und ausführbare Aktionsrepräsentationen synchronisiert. Für die elf späteren Aufgaben kamen rund 2.220 Teleoperations-Demonstrationen zusammen, ungefähr 200 pro Aufgabe.

Ein menschlicher Operator steuerte die Datenerfassung mit VR-Headset, Controllern und Fußtrackern. Bewegungen aus öffentlichen Menschendatensätzen wurden außerdem in Simulation mit dem SONIC-Ganzkörpercontroller nachgespielt. Physikalisch ungeeignete Trajektorien filterte das System aus. Dieser Zwischenschritt ist wichtig: Eine menschliche Bewegung sieht auf Video plausibel aus, kann für einen Roboter mit anderer Kinematik, Masseverteilung und Gelenkgrenzen aber unausführbar sein.

Für Unternehmen zeigt das einen zentralen Trend der Physical AI: Der Wettbewerb dreht sich nicht nur um größere Modelle. Entscheidend sind hochwertige reale Bewegungsdaten, zuverlässige Teleoperation, Simulation, ein robuster Ganzkörpercontroller und saubere Rückmeldungen aus Kameras und Gelenksensoren.

Welche Hardware stand im Labor?

Die autonomen Versuche liefen auf dem Unitree G1. Für die Manipulation rüstete das Team den Humanoiden mit Inspire-DexHands aus. Eine ZED-Mini-Kamera lieferte die Ego-Perspektive; eine zusätzliche ZED-Tiefenkamera erfasste externe RGB-D-Daten. Der G1 ist damit die physische Plattform, ω‑0 jedoch die Forschungssoftware. Wer von einem „ω‑0-Roboter“ spricht, vermischt Modell und Hardware.

Diese Trennung ist für die Bewertung wichtig. Ob die Methode auf andere Humanoide mit anderer Größe, Handkinematik, Rechenplattform oder Antriebsauslegung übertragbar ist, wurde noch nicht breit gezeigt. Gute Resultate auf einem G1 sind ein starkes Signal für die Modellidee, aber keine automatische Hardware-Unabhängigkeit. Auch die Qualität der Sensorfusion, die Latenz der Steuerung und die Sicherheitsfunktionen der Gesamtplattform bestimmen den späteren Praxiserfolg.

Was das Ergebnis noch nicht beweist

Erstens handelt es sich um eine aktuelle Vorveröffentlichung und nicht um eine bereits langjährig reproduzierte Industriestudie. Zweitens stammen Benchmark, Datenaufbereitung und Auswertung aus demselben Forschungsprojekt. Externe Replikationen auf anderen Robotern und in unabhängigen Wohnungen fehlen noch. Drittens umfasst der Test 110 Versuche pro Modell – genügend für einen klaren Vergleich im Projekt, aber zu wenig, um Ausfallraten für tausende Stunden Haushaltsbetrieb abzuleiten.

Viertens sind die Aufgaben definiert und trainiert. Ein echter Haushalt verändert sich laufend: Licht, Möbel, Verpackungen, Bodenreibung, Haustiere, Kinder und unvorhersehbare menschliche Bewegungen erzeugen eine offene Welt. Das Paper berichtet zwar über vielversprechende Generalisierung auf zurückgehaltene Objekte und Szenen, doch daraus folgt noch keine zuverlässige Bewältigung beliebiger neuer Arbeiten.

Fünftens sagt eine hohe Aufgabenquote wenig über Sicherheit, Geräusch, Energieverbrauch, Verschleiß, Reinigbarkeit, Datenschutz oder Kosten aus. Ein Haushaltsprodukt muss nicht nur eine Aufgabe schaffen, sondern sie wiederholbar, leise, sicher und wartungsarm ausführen – und bei Unsicherheit kontrolliert abbrechen.

Warum ω‑0 trotzdem ein wichtiger Schritt ist

Der entscheidende Fortschritt liegt weniger in einer einzelnen spektakulären Bewegung als in der Vereinheitlichung. Ein Modell steuert elf unterschiedliche Aufgaben und koppelt Wahrnehmung, Zukunftsrepräsentation und Ganzkörperaktion. Es zeigt, dass latente Vorhersage ein praktikabler Mittelweg zwischen rein reaktiven Policies und rechenintensiver Videogenerierung sein kann.

Für die Robotikindustrie könnten daraus drei Entwicklungslinien entstehen. Erstens werden Teleoperations- und Datenerfassungsplattformen strategisch wichtiger. Zweitens dürften Humanoiden-Hersteller standardisierte Schnittstellen zwischen High-Level-Modell und Low-Level-Ganzkörpercontroller ausbauen. Drittens braucht die Branche Benchmarks, die nicht nur kurze Erfolgsvideos, sondern vollständige Aufgaben, Teilfortschritt, Störfälle und viele Wiederholungen messen.

Fazit: Durchbruch im Labor, noch kein Haushaltsprodukt

81,8 Prozent vollständige Erfolge bei elf realen Haushaltsaufgaben sind ein starkes Ergebnis für humanoide Loco-Manipulation. ω‑0 zeigt, wie ein Roboter Bewegung und Handarbeit als zusammenhängendes Problem lernen kann. Besonders relevant sind die kompakte Zukunftsvorhersage, die einheitliche Ganzkörpersteuerung und die sorgfältig synchronisierte Datengrundlage.

Der seriöse Schluss lautet jedoch nicht, dass Haushaltsroboter nun „gelöst“ seien. Gezeigt wurde ein leistungsfähiges Forschungsverfahren auf einer bestimmten Plattform und in einem kontrollierten Aufgabenraum. Der nächste Beweis muss aus unabhängigen Tests, anderen Robotern, unbekannten Wohnungen und deutlich längeren Betriebszeiten kommen. Gelingt dieser Transfer, könnte ω‑0 tatsächlich zu den Bausteinen gehören, die Humanoide vom eindrucksvollen Demonstrator zum verlässlichen Helfer machen.

Originalquellen und technische Vertiefung

Li et al.: ω‑0 – A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation, arXiv, Version 2 vom 9. August 2026
Unitree: technische Produktseite des G1
Inspire Robots: Hersteller der im Versuchsaufbau verwendeten DexHands

Bewerte den Beitrag hier!

[Total: 1 Average: 5]

Nico Nuss

Website

Der Autor Nico Nuss beschäftigt sich seit 2001 mit den Themen Mobile Computing und Automation Software. Auf Grund seiner Erfahrung und dem starken Interesse für Zukunftstechnologien gilt seine Aufmerksamkeit den Themen Robotik und AI.