TUM RoboGym: Zukunft der Robotikforschung

Das Wichtigste in Kürze

• Das TUM RoboGym entsteht auf rund 2.300 Quadratmetern im TUM Convergence Center am Flughafen München.
• Nach der aktuellsten offiziellen Terminangabe soll die Eröffnung im vierten Quartal 2026 erfolgen.
• TUM und NEURA Robotics investieren gemeinsam rund 17 Millionen Euro. Etwa 11 Millionen Euro davon trägt NEURA Robotics.
• Geplant ist das KI-gestützte Training von Hunderten Robotersystemen, darunter zahlreiche humanoide Roboter.
• Menschen sollen Robotern grundlegende Fähigkeiten wie Greifen, Falten, Sortieren oder Zusammenstecken demonstrieren.
• Die entstehenden Daten sollen helfen, allgemeine Roboterfähigkeiten auf neue Aufgaben und Arbeitsumgebungen zu übertragen.
• Ein Schwerpunkt liegt auf Physical AI, also lernenden Systemen, die ihre Umwelt wahrnehmen und physisch auf sie einwirken.
• Für einen breiten industriellen Einsatz bleiben Sicherheit, Datenqualität, Reproduzierbarkeit und messbare Erfolgsquoten die wichtigsten Prüfsteine.

Was ist das TUM RoboGym?

Das TUM RoboGym ist ein Forschungs- und Trainingszentrum, in dem humanoide und andere Robotersysteme mithilfe menschlicher Demonstrationen, realer Sensordaten, Simulationen und KI-Modellen neue Fähigkeiten erlernen sollen.

Das Zentrum wird gemeinsam vom Munich Institute of Robotics and Machine Intelligence der Technischen Universität München und dem deutschen Robotikunternehmen NEURA Robotics aufgebaut. Als Standort dient das TUM Convergence Center am Flughafen München. Dort stehen zum Start rund 2.300 Quadratmeter zur Verfügung. Eine spätere Erweiterung ist vorgesehen.

Die TUM bezeichnet das Projekt als weltweit größtes wissenschaftliches Forschungs- und Trainingszentrum für Robotik. NEURA Robotics spricht vom größten wissenschaftlichen Trainingszentrum für Physical AI in Europa. Beide Aussagen beschreiben unterschiedliche Vergleichskategorien. Der Begriff „weltweit größtes“ sollte deshalb nicht als allgemeiner Größenrekord für jede Art von Robotikzentrum verstanden werden, sondern als Einordnung innerhalb wissenschaftlicher Robotik-Lern- und Trainingszentren.

Das RoboGym ist keine klassische Fabrik und auch kein Fitnessstudio für spektakuläre Roboter-Videos. Die Halle soll als Daten- und Testinfrastruktur dienen. Roboter wiederholen dort konkrete Handgriffe, werden bei Fehlern korrigiert und erzeugen Datensätze, mit denen sich KI-Modelle trainieren und überprüfen lassen.

Wer sich zunächst einen Überblick über die Technik und den Entwicklungsstand verschaffen möchte, findet auf Alpha Bionic eine ausführliche Einordnung zum Thema humanoide Roboter im Jahr 2026.

TUM RoboGym: Daten und Fakten im Überblick

Die Investitionssumme ist vergleichsweise konkret: Beide Partner nennen rund 17 Millionen Euro, von denen NEURA Robotics etwa 11 Millionen Euro trägt. Der Unternehmensanteil fließt nach Angaben der TUM vor allem in die Beschaffung von Robotern und die Wartung der Hardware. Wie sich die verbleibenden sechs Millionen Euro exakt auf Infrastruktur, Personal, Umbauten und weitere Projektpartner verteilen, wird in den bislang veröffentlichten offiziellen Meldungen nicht detailliert aufgeschlüsselt.

Belastbare Angaben zur exakten Zahl der Roboter, zu einzelnen Modelltypen, zur Recheninfrastruktur und zur geplanten jährlichen Zahl an Trainingsstunden liegen ebenfalls noch nicht vollständig öffentlich vor. Formulierungen wie „Hunderte Robotersysteme“ beschreiben daher die geplante Größenordnung, nicht den bereits nachgewiesenen Bestand zum Eröffnungstag.

Warum Physical AI reale Trainingsdaten braucht

Generative Sprachmodelle lernen aus riesigen Mengen digitaler Texte, Bilder und Videos. Ein Roboter steht vor einem anderen Problem. Er muss wissen, wie schwer ein Gegenstand ist, wann ein Karton nachgibt, wie stark ein Bauteil gedrückt werden darf und wie sich eine Bewegung verändert, wenn der Untergrund rutschig ist.

Solche Informationen lassen sich nur begrenzt aus gewöhnlichen Internetvideos ableiten. Ein Video zeigt zwar, dass ein Mensch eine Schachtel faltet. Es verrät dem Roboter aber nicht zuverlässig, welche Kräfte an den Fingern wirken, wie sich der Karton verformt oder wann ein Griff abzurutschen droht.

Physical AI bezeichnet KI-Systeme, die über Sensoren Informationen aus der realen Welt aufnehmen, diese auswerten und mit einem physischen Körper darauf reagieren. Dazu gehören beispielsweise Kameras, Kraftsensoren, Mikrofone, taktile Oberflächen, Motoren, Gelenke und Greifer.

Auch Simulationen lösen das Problem nicht vollständig. Digitale Zwillinge können Bewegungen, Hindernisse und zahlreiche Materialeigenschaften abbilden. Kleine Abweichungen bei Reibung, Elastizität, Licht, Gewicht oder Sensorrauschen reichen jedoch aus, damit eine in der Simulation perfekte Bewegung in der echten Welt scheitert. In der Robotik wird diese Lücke häufig als „Sim-to-Real-Gap“ bezeichnet.

Das TUM RoboGym soll Simulation und reales Training deshalb nicht gegeneinander ausspielen. Der sinnvollere Ansatz ist eine Kombination: Millionen Varianten werden digital vorbereitet, kritische Bewegungen anschließend an realer Hardware geprüft und die dabei entstehenden Abweichungen wieder in das Modell zurückgeführt.

Wie Roboter im TUM RoboGym lernen sollen

Die offiziellen Projektbeschreibungen nennen unter anderem das Falten einer Schachtel und das Zusammenstecken von Bauteilen. Hinter solchen scheinbar einfachen Tätigkeiten steckt eine lange Kette einzelner Entscheidungen. Der Roboter muss ein Objekt erkennen, seine Position bestimmen, einen passenden Griff wählen, die Bewegung planen, die Kraft dosieren und auf Abweichungen reagieren.

Menschen sollen Robotern diese Fähigkeiten demonstrieren. Das kann durch direkte Führung eines Roboterarms, Teleoperation, Bewegungsaufzeichnung oder andere Formen des „Learning from Demonstration“ erfolgen. Die genaue technische Umsetzung kann je nach Robotertyp und Forschungsprojekt variieren.

Ein realistischer Trainingsablauf besteht typischerweise aus sieben Schritten

1. Aufgabe definieren: Zunächst wird genau festgelegt, was als erfolgreiche Ausführung gilt. Bei einer Montageaufgabe können Position, Zeit, Kraft und Fehlerquote Teil der Bewertung sein.
2. Menschliche Demonstration erfassen: Trainer zeigen die Tätigkeit oder steuern den Roboter durch die benötigten Bewegungen.
3. Sensordaten aufzeichnen: Kamerabilder, Gelenkpositionen, Kräfte, Drehmomente, Berührungen und Zeitstempel werden synchron gespeichert.
4. Daten prüfen und aufbereiten: Fehlerhafte Messungen, unvollständige Abläufe und nicht repräsentative Versuche müssen erkannt und gekennzeichnet werden.
5. KI-Modell trainieren: Das System lernt Zusammenhänge zwischen Wahrnehmung, Bewegung und Ergebnis.
6. Varianten und Störungen testen: Positionen, Gegenstände, Beleuchtung oder Arbeitsgeschwindigkeiten werden verändert, damit der Roboter nicht nur einen einzigen Ablauf auswendig lernt.
7. Fähigkeit validieren: Entscheidend ist, ob die Aufgabe auch ohne ständige menschliche Korrektur zuverlässig, sicher und wiederholbar gelingt.

Der letzte Schritt ist besonders wichtig. Ein gelungenes Demonstrationsvideo beweist noch keine industrielle Reife. Unternehmen benötigen Erfolgsquoten über viele Wiederholungen hinweg. Auch die Zeit pro Arbeitszyklus, notwendige Eingriffe, Ausfallzeiten und Folgen eines Fehlers gehören in die Bewertung.

Ein Roboter, der eine Aufgabe in neun von zehn Versuchen schafft, kann im Labor beeindruckend wirken. In einer Produktion mit Tausenden Zyklen pro Woche wären zehn Prozent Fehlerquote jedoch meist unbrauchbar. Das RoboGym kann hier einen echten Mehrwert schaffen, wenn es standardisierte und nachvollziehbare Leistungsdaten liefert.

Strategische Partnerschaft zwischen TUM und NEURA Robotics

Das TUM RoboGym ist Teil der Industry-on-Campus-Strategie der Technischen Universität München. Der Ansatz bringt Unternehmen und akademische Forschung räumlich und organisatorisch enger zusammen. Forschungsergebnisse sollen dadurch schneller in marktfähige Anwendungen einfließen, während Wissenschaftler Zugang zu aktueller industrieller Hardware erhalten.

Die Rollenverteilung wirkt auf den ersten Blick klar: TUM MIRMI bringt Forschungswissen aus Robotik, Wahrnehmung, maschinellem Lernen und Mensch-Maschine-Interaktion ein. NEURA Robotics liefert Roboterplattformen, Sensorik und sein Datenökosystem. Das Unternehmen trägt mit rund elf Millionen Euro den größten Einzelanteil der Investition und beteiligt sich an der Hardwarewartung.

NEURA Robotics erhält im Gegenzug Zugang zu Ergebnissen der gemeinsamen Forschung. Daraus ergibt sich allerdings ein Spannungsfeld, das bei industrienahen Hochschulprojekten immer mitgedacht werden muss: Wissenschaftliche Offenheit, Publikationsfreiheit und reproduzierbare Forschung treffen auf Geschäftsgeheimnisse, Produktentwicklung und kommerzielle Interessen.

Wie gut diese Balance gelingt, hängt von den konkreten Verträgen ab. Für die wissenschaftliche Glaubwürdigkeit wäre langfristig wichtig, dass neben Produktdemonstrationen auch Methoden, Benchmarks, Fehlversuche und belastbare Vergleichsdaten veröffentlicht werden.

Eine der voraussichtlich wichtigen Hardwareplattformen im NEURA-Ökosystem ist der humanoide Roboter NEURA 4NE1. Welche Modelle in welcher Stückzahl tatsächlich im TUM RoboGym eingesetzt werden, ist bislang aber nicht vollständig veröffentlicht.

Welche Anwendungen im RoboGym trainiert werden könnten

Das Zentrum soll keine Roboter für eine einzige Branche optimieren. Ziel ist vielmehr, allgemeine Fähigkeiten zu entwickeln, die sich anschließend auf konkrete Aufgaben übertragen lassen. Dazu zählen Greifen, Tragen, Sortieren, Öffnen, Falten, Einsetzen, Schrauben oder der Umgang mit Werkzeugen.

Humanoide Bauformen sind vor allem dort interessant, wo Räume, Werkzeuge und Arbeitsplätze bereits für Menschen gestaltet wurden. Ein zweibeiniger Roboter kann theoretisch dieselben Treppen, Türen, Regale und Laufwege nutzen. Das spart Umbauten. Dieser Vorteil gilt aber nicht automatisch für jede Aufgabe.

Für schnelle, stark standardisierte Abläufe bleiben spezialisierte Maschinen häufig günstiger und leistungsfähiger. Ein fest installierter Industrieroboter muss nicht laufen, balancieren oder seine gesamte Umgebung interpretieren. Der wirtschaftliche Nutzen eines Humanoiden entsteht daher eher bei wechselnden Tätigkeiten und vorhandener menschlicher Infrastruktur.

Einen breiteren Überblick über Hersteller und unterschiedliche Robotertypen bietet die Übersicht der wichtigsten Roboterhersteller weltweit.

Sicherheit bei der Mensch-Roboter-Zusammenarbeit

Je näher Roboter und Menschen zusammenarbeiten, desto höher werden die Anforderungen an Sensorik, Software und Risikobewertung. Ein humanoider Roboter besitzt viele bewegliche Gelenke. Arme, Hände, Oberkörper und Beine können gleichzeitig unterschiedliche Bewegungen ausführen. Dadurch entstehen mehr potenzielle Kontaktpunkte als bei einem klassischen, fest montierten Roboterarm.

Die Deutsche Gesetzliche Unfallversicherung weist darauf hin, dass bei kollaborierenden Robotern direkter Kontakt mit Personen möglich sein kann. Zu einem sicheren System gehören dabei nicht nur der Roboter selbst, sondern auch das eingesetzte Werkzeug und die bewegten Gegenstände.

Für kollaborierende Industrieroboter nennt die DGUV unter anderem die Normen EN ISO 10218 sowie ISO/TS 15066. Sie behandeln sicherheitstechnische Anforderungen an Robotersysteme und die Zusammenarbeit mit Menschen. Ein humanoider Roboter ist jedoch nicht automatisch ein sicherer Cobot. Entscheidend sind der konkrete Einsatzzweck, die Geschwindigkeit, die Kräfte, das Werkzeug, die Umgebung und das Verhalten bei Fehlern.

Im RoboGym müssen deshalb mindestens fünf Sicherheitsebenen zusammenspielen

• Umfelderkennung: Kameras und weitere Sensoren müssen Personen, Hindernisse und gefährliche Situationen zuverlässig erkennen.
• Kraft- und Geschwindigkeitsbegrenzung: Bewegungen müssen an die jeweilige Nähe zu Menschen angepasst werden.
• Sicherheitsgerichtete Steuerung: Ein Fehler in der KI darf zentrale Schutzfunktionen nicht außer Kraft setzen.
• Kontrollierter Stillstand: Der Roboter muss bei unsicheren Situationen schnell und berechenbar stoppen können.
• Risikobewertung des Gesamtsystems: Auch Greifer, Werkzeuge, transportierte Gegenstände und mögliche Quetschstellen müssen berücksichtigt werden.

Besonders heikel ist die Frage, wie lernende Systeme nach einem Software- oder Modellupdate geprüft werden. Eine neue Fähigkeit kann das Bewegungsverhalten verändern. Was vorher sicher validiert war, muss nach einem relevanten Update möglicherweise erneut getestet werden.

Weitere Hintergründe zu Haftung, Transparenz und Regulierung behandelt der Beitrag über rechtliche und ethische Regeln für humanoide Roboter.

Quelle zur Arbeitssicherheit: Institut für Arbeitsschutz der Deutschen Gesetzlichen Unfallversicherung: Kollaborierende Roboter.

Datenhoheit, Neuraverse und offene Fragen

NEURA Robotics möchte einen großen Teil der in seinen Trainingszentren erzeugten Fähigkeiten und Daten über das Neuraverse nutzbar machen. Die Plattform soll Roboter, Entwickler und Industriepartner verbinden und das Lernen über unterschiedliche Systeme hinweg erleichtern.

Der Grundgedanke ist attraktiv: Lernt ein Roboter, eine bestimmte Kiste zuverlässig zu greifen, könnten Teile dieses Wissens auf weitere Roboter übertragen werden. Jeder Standort müsste dann nicht bei null beginnen. Ein solches Flottenlernen kann die Entwicklung beschleunigen und Kosten senken.

Die im Juli 2026 vorgestellte NEURA-Gym-Strategie sieht vor, dass beteiligte Unternehmen die Kontrolle über ihre eigenen Daten, Modelle und trainierten Fähigkeiten behalten. Sie sollen selbst entscheiden können, welche Inhalte sie mit dem Netzwerk teilen. Ob diese Regelung bei jedem Forschungsprojekt im TUM RoboGym in identischer Form gilt, hängt jedoch von den jeweiligen Kooperations- und Projektverträgen ab.

Für eine vertrauenswürdige Dateninfrastruktur müssen mehrere Fragen beantwortet werden

• Wem gehören Rohdaten aus gemeinsam durchgeführten Experimenten?
• Welche Daten dürfen für kommerzielle Produkte weiterverwendet werden?
• Wie werden personenbezogene Kamera-, Sprach- oder Bewegungsdaten geschützt?
• Wie lässt sich nachvollziehen, aus welchen Datensätzen eine Roboterfähigkeit entstanden ist?
• Wer prüft Daten auf Fehler, Verzerrungen und ungeeignete Demonstrationen?
• Wie werden Modelle versioniert, wenn sich Trainingsdaten oder Sicherheitsregeln ändern?
• Welche Ergebnisse werden offen publiziert und welche bleiben Geschäftsgeheimnis?

Gerade humanoide Haushalts- und Assistenzroboter können sensible Informationen aus privaten Räumen erfassen. Dazu gehören Gesichter, Stimmen, Gewohnheiten und räumliche Strukturen. Der Beitrag humanoide Haushaltsroboter und Datenschutz erklärt diese Risiken ausführlicher.

Was das TUM RoboGym Unternehmen und Start-ups bringen kann

Für Unternehmen liegt der größte Nutzen nicht darin, einen Roboter in einer beeindruckenden Demonstration zu sehen. Sie müssen vor einer Investition wissen, ob ein System ihre konkrete Aufgabe sicher, schnell und wirtschaftlich bewältigt.

Eine gemeinsame Trainingsinfrastruktur kann den Einstieg erleichtern. Unternehmen könnten eigene Bauteile, Behälter, Werkzeuge oder Arbeitsabläufe in einer kontrollierten Umgebung testen, bevor sie einen Roboter in die laufende Produktion integrieren. Das senkt das Risiko teurer Fehlentscheidungen.

Ein belastbarer Praxistest sollte mindestens diese Kennzahlen erfassen

• Erfolgsquote über eine große Zahl von Wiederholungen
• Durchschnittliche und maximale Zeit pro Arbeitszyklus
• Zahl notwendiger menschlicher Eingriffe
• Ausfallzeit durch Laden, Wartung und Störungen
• Fehlerfolgen und mögliche Schäden
• Leistung bei veränderten Gegenständen und Umgebungsbedingungen
• Integrationsaufwand für Software, Greifer und Sicherheitskonzept
• Gesamtkosten pro produktiver Betriebsstunde

Für Start-ups ist der Zugang zu teurer Hardware besonders wertvoll. Junge Unternehmen können oft leistungsfähige KI-Modelle entwickeln, verfügen aber nicht über eine große Roboterflotte oder eine geeignete Testhalle. Das RoboGym könnte diese Lücke schließen, sofern Zugang, Preise, Nutzungsrechte und Auswahlverfahren transparent gestaltet werden.

Auch Studierende profitieren. Sie können an realer Hardware arbeiten und lernen, dass Robotik nicht nur aus Programmierung besteht. Mechanik, Sensorik, Datenmanagement, Arbeitssicherheit, Ergonomie und Prozessintegration greifen eng ineinander.

Warum das RoboGym für Deutschland und Europa relevant ist

Der globale Wettbewerb bei humanoider Robotik wird nicht allein durch besonders bewegliche Prototypen entschieden. Langfristig zählen Fertigungskapazität, sichere Hardware, Rechenleistung, Trainingsdaten, qualifizierte Fachkräfte und der Zugang zu realen Einsatzorten.

Europa verfügt über starke Maschinenbau-, Automatisierungs- und Sensorikunternehmen. Bei großen KI-Plattformen, Cloud-Infrastrukturen und skalierbaren Robotik-Datensätzen besteht dagegen eine größere Abhängigkeit von außereuropäischen Anbietern. Das TUM RoboGym versucht, genau an dieser Daten- und Transferlücke anzusetzen.

Das Projekt steht dabei nicht allein. Im Robotics Institute Germany bündeln Universitäten und außeruniversitäre Forschungseinrichtungen ihre Kompetenzen in KI-basierter Robotik. Zu den Zielen gehören gemeinsam nutzbare Infrastruktur, Robotik-Benchmarks, Nachwuchsförderung und ein schnellerer Transfer in industrielle Anwendungen.

Auch die Hightech Agenda Deutschland stellt technologische Souveränität, schnelleren Forschungstransfer und den Aufbau eigener Technologiekapazitäten in den Mittelpunkt. Das TUM RoboGym ist zwar nicht mit der gesamten deutschen Technologiepolitik gleichzusetzen, passt aber in diese strategische Richtung.

Weiterführende deutsche Quellen:

• TUM MIRMI: Robotics Institute Germany und verkörperte KI
• Bundesregierung: Hightech Agenda Deutschland

Was das TUM RoboGym noch beweisen muss

Das Projekt besitzt Größe, prominente Partner und ein relevantes Forschungsziel. Trotzdem ist es noch zu früh, von einem technologischen Durchbruch zu sprechen. Ein Trainingszentrum schafft zunächst Infrastruktur. Ob daraus robuste Roboterfähigkeiten, marktfähige Produkte und offene wissenschaftliche Erkenntnisse entstehen, zeigt sich erst im Betrieb.

Fünf Punkte werden über den Erfolg entscheiden

1. Datenqualität statt Datenmasse: Viele Wiederholungen sind nutzlos, wenn Messungen fehlerhaft, einseitig oder schlecht dokumentiert sind.
2. Übertragbarkeit: Eine Fähigkeit muss auch bei anderen Gegenständen, Positionen und Robotermodellen funktionieren.
3. Reproduzierbare Benchmarks: Leistungsangaben sollten mit definierten Aufgaben, Erfolgsquoten und Testbedingungen belegt werden.
4. Sicherheit nach Updates: Lernende Systeme müssen auch nach Modelländerungen kontrollierbar und prüfbar bleiben.
5. Offener Wissenstransfer: Das Zentrum muss zeigen, wie wissenschaftliche Erkenntnisse, industrielle Nutzung und kommerzielle Interessen miteinander vereinbart werden.

Auch die Bezeichnung „Hunderte Robotersysteme“ sollte nach der Eröffnung mit konkreten Zahlen gefüllt werden. Relevant sind nicht nur vorhandene Geräte, sondern aktive Trainingszeit, unterschiedliche Plattformen, erzeugte Datensätze und erfolgreich übertragene Fähigkeiten.

Ein weiterer Prüfstein ist die Unabhängigkeit der Bewertung. Herstellerangaben und Projektmeldungen liefern wichtige Informationen, ersetzen aber keine wissenschaftlich publizierten Ergebnisse oder unabhängigen Praxistests. Eine starke Forschungsinfrastruktur sollte auch Misserfolge sichtbar machen. Gerade sie zeigen, wo Robotik noch nicht zuverlässig funktioniert.

Fazit: Das TUM RoboGym könnte Europas Robotik-Datenlücke verkleinern

Das TUM RoboGym setzt an einem der größten Engpässe moderner Robotik an: dem Mangel an hochwertigen Daten aus realen Bewegungen, Kontakten und Arbeitsabläufen. Auf rund 2.300 Quadratmetern sollen Menschen und Maschinen gemeinsam Fähigkeiten erzeugen, die sich später auf Produktion, Logistik, Assistenz und weitere Einsatzfelder übertragen lassen.

Die Voraussetzungen sind bemerkenswert. TUM MIRMI bringt wissenschaftliche Expertise ein, NEURA Robotics steuert Hardware und einen großen Teil der Finanzierung bei. Rund 17 Millionen Euro, Hunderte geplante Robotersysteme und der Standort am Münchner Flughafen machen das Zentrum zu einem der sichtbarsten europäischen Physical-AI-Projekte.

Der nüchterne Blick bleibt trotzdem nötig. Ein großes Trainingszentrum macht humanoide Roboter nicht automatisch sicher, autonom oder wirtschaftlich. Entscheidend werden messbare Erfolgsquoten, belastbare Benchmarks, transparente Datenregeln und die Übertragung gelernter Fähigkeiten auf neue Situationen sein.

Gelingt das, könnte das TUM RoboGym mehr werden als eine beeindruckende Halle voller Roboter. Es könnte eine Infrastruktur schaffen, auf der europäische Forschung, Start-ups und Industrie eigene Physical-AI-Anwendungen entwickeln – mit realen Daten statt bloßen Zukunftsversprechen.

Häufig gestellte Fragen zum TUM RoboGym

Was ist das TUM RoboGym?

Das TUM RoboGym ist ein Forschungs- und Trainingszentrum für humanoide und andere Robotersysteme. Dort sollen Roboter unter realitätsnahen Bedingungen grundlegende Fähigkeiten erlernen. Das Zentrum wird von der Technischen Universität München und NEURA Robotics aufgebaut.

Wann wird das TUM RoboGym eröffnet?

Nach der aktuellsten offiziellen Mitteilung von NEURA Robotics soll das TUM RoboGym im vierten Quartal 2026 eröffnen. Frühere Meldungen hatten noch einen Start ab Mitte 2026 angekündigt. Die neuere Terminangabe stammt vom 22. Juli 2026.

Wo befindet sich das TUM RoboGym?

Das Trainingszentrum entsteht im TUM Convergence Center am Flughafen München. Zum Start sind rund 2.300 Quadratmeter vorgesehen. Die Fläche soll perspektivisch erweitert werden.

Wie viel kostet das TUM RoboGym?

TUM und NEURA Robotics investieren gemeinsam rund 17 Millionen Euro. NEURA Robotics trägt davon etwa 11 Millionen Euro. Dieser Anteil ist vor allem für die Beschaffung von Robotern und die Wartung der Hardware vorgesehen.

Welche Roboter werden dort trainiert?

Geplant ist das Training von Hunderten Robotersystemen, darunter zahlreiche humanoide Roboter. Eine vollständige Liste aller Modelle und Stückzahlen wurde bislang nicht veröffentlicht. Der Schwerpunkt liegt auf lernfähigen Systemen für reale Alltags- und Industrieaufgaben.

Warum reichen Simulationen für das Robotertraining nicht aus?

Simulationen können Reibung, Materialverhalten, Sensorrauschen und unvorhersehbare Situationen nicht immer exakt abbilden. Deshalb müssen Fähigkeiten zusätzlich an realer Hardware getestet werden. Das TUM RoboGym soll simuliertes und physisches Training miteinander verbinden.

Was lernen Roboter im TUM RoboGym?

Roboter sollen grundlegende Fähigkeiten wie Greifen, Falten, Sortieren, Tragen und das Zusammenstecken von Bauteilen lernen. Ziel ist nicht nur das Auswendiglernen eines Ablaufs. Die Fähigkeiten sollen möglichst auf neue Gegenstände und Aufgaben übertragen werden können.

Können Unternehmen das TUM RoboGym nutzen?

Das Zentrum soll perspektivisch auch für Industriepartner und Start-ups geöffnet werden. Unternehmen könnten dort eigene Anwendungsfälle trainieren und validieren. Konkrete Zugangsbedingungen, Preise und Auswahlverfahren sind noch nicht vollständig veröffentlicht.

Verwendete Quellen

• Technische Universität München: Weltweit größtes Robotik-Lernzentrum geplant
• TUM MIRMI: TUM und NEURA Robotics bauen Robotik-Lernzentrum auf
• NEURA Robotics: Trainingszentrum für Physical AI
• NEURA Robotics: Aktueller Eröffnungstermin und Ausbau des Gym-Netzwerks
• DGUV: Sichere Kooperation von Mensch und Roboter
• TUM MIRMI: Robotics Institute Germany
• Bundesregierung: Hightech Agenda Deutschland