Humanoide & universell einsetzbare Roboter (Vision-Language-Action-Modelle)

Klassische Roboter sind für eine Aufgabe in einer Zelle programmiert. Vision-Language-Action-Modelle (VLA) bilden Kamerabilder und eine Textanweisung direkt auf Roboteraktionen ab, sodass ein Modell neu beauftragt werden kann („Stelle den Behälter ins Regal"), ohne neu zu programmieren. In Kombination mit humanoider oder anderer mobiler Manipulator-Hardware verspricht das Roboter für unstrukturierte Arbeit. 2026 ist das in Pilotprojekten real, aber noch kein Standardkauf: Zuverlässigkeit, Geschwindigkeit, Sicherheitszertifizierung und Kosten je Aufgabe sind die offenen Fragen.

Problem & Nutzen

• Heute: Automatisierung ist aufgabenspezifisch. Jedes neue Produkt, jede Palette und jeder Arbeitsplatz braucht Integratoren, Vorrichtungen und Programmierung (siehe ROBO-001, ROBO-003). Arbeitsintensive, variable Aufgaben (Behälterhandhabung, Kitting, Maschinenbeschickung, Nachfüllen, Laborarbeit) bleiben manuell, und viele Arbeitgeber in der EU berichten von Schwierigkeiten, solche Stellen zu besetzen.
• KI-Nutzen: Eine vortrainierte Generalisten-Strategie lässt sich mit zehn bis hundert Demonstrationen statt mit Monaten an Engineering anpassen, versteht Sprachanweisungen und generalisiert in gewissem Maß auf neue Objekte und Szenen. Humanoide Bauformen sollen in für Menschen gebauten Räumen arbeiten, ohne die Anlage umzubauen.
• Evidenzlage: Veröffentlichte Ergebnisse sind überwiegend Labor-Benchmarks und Hersteller-Demos. Behandeln Sie Aussagen zu Durchsatz, Verfügbarkeit und Kosten als unbestätigt, bis Sie sie im eigenen Pilotbetrieb gemessen haben. Unabhängige, großangelegte ROI-Daten zu Humanoiden gibt es noch nicht.

Varianten

• Humanoide für die Logistik: Behälter- und Kartonhandhabung in Lagern (z. B. Agility Robotics Digit, Apptronik Apollo, Figure) in eingezäunten oder abgetrennten Zonen.
• Mobiler Manipulator auf Rädern: Arm auf einer AMR-Basis (günstiger und stabiler als Beinroboter), die pragmatische Wahl für die meisten Pilotprojekte (siehe ROBO-002, ROBO-008).
• Industriearm mit VLA-„Gehirn": fest montierter Arm, der Arbeitszellen aus ROBO-001/003 um Sprache und Generalisierung erweitert.
• Forschungs- und Lehrplattformen: günstige Arme und offene Hardware (Arme SO-100/SO-101, Koch-Arm, Humanoide von Unitree) für Hochschulen und Entwickler.
• Service und Pflege: Empfang, Logistik in Krankenhäusern, Unterstützung in der Altenpflege. Frühe Forschung mit starken ethischen und sicherheitstechnischen Einschränkungen.
• Private Nutzung: Hobby-Arme und Prototypen von Haushaltsrobotern; es gibt kein ausgereiftes Verbraucherprodukt für unbeaufsichtigte Haushaltsarbeit.

So funktioniert es

1. Anweisung (Text/Sprache) + Kameras + Propriozeption
2. VLA-Modell (Vision-Language-Backbone + Aktionskopf: Diffusion / Flow Matching / Tokens)
3. Aktionsblock (die nächsten 0,5-2 s an Gelenkzielen oder Endeffektor-Posen)
4. Low-Level-Regler (Impedanz-/Ganzkörperregelung, trainierte RL-Fortbewegungsstrategie)
5. Sicherheitsebene (zertifiziert, ohne KI: Geschwindigkeits-/Kraftgrenzen, Schutzstopps, Geofences)
6. Ausführung
7. neue Beobachtung Protokollierung
8. Teleop-Korrektur & Feintuning
9. Evaluation in der Simulation
10. gestufter Rollout

• VLA-Modelle: Ein vortrainiertes Vision-Language-Modell wird um eine Aktionsausgabe erweitert. Beispiele: RT-2 und Gemini Robotics (Google DeepMind), pi0 / pi0.5 (Physical Intelligence), OpenVLA, NVIDIA Isaac GR00T N1.x, SmolVLA (Hugging Face). Viele nutzen ein Zwei-System-Design: Ein langsames „Denk"-Modell plant, ein schnelles Aktionsmodell führt aus.
• Ganzkörperregelung: Fortbewegung und Gleichgewicht von Beinrobotern übernehmen meist mit RL trainierte Strategien (in der Simulation trainiert, siehe ROBO-010) und nicht das VLA selbst.
• Daten: Teleoperations-Demonstrationen, menschliche Videos, Simulation und synthetische Daten. Die Datenerhebung ist der Hauptkostenfaktor.
• Mensch-in-der-Schleife (Human-in-the-Loop): vom Bediener festgelegter Aufgabenumfang, Fernunterstützung für festgefahrene Roboter, Teleoperation als Rückfall, verpflichtende zertifizierte Sicherheitsfunktionen, die nicht vom neuronalen Netz abhängen.

Datenaufbereitung

Benötigt werden: Aufgabendefinitionen und Standardarbeitsanweisungen, Standortkarten und Stationslayouts, Teleoperations-Demonstrationsdaten, Simulationsressourcen (CAD von Arbeitsplätzen, Werkzeugen, Behältern) und Sicherheitsdokumentation. Im Unternehmen liegen diese in Arbeitsanweisungen auf Dateifreigaben oder Papier, in CAD/PDM, in WMS/MES und in den Sicherheitsakten des EHS-Teams. Typische Lücken: ungeschriebene stillschweigende Abläufe, veraltete Layouts, keine aufgezeichneten Demonstrationen, uneinheitliche Artikeldaten und unklare Rechte, Videos mit Beschäftigten aufzuzeichnen und weiterzuverwenden.

Schritte: (1) zwei oder drei eng gefasste Aufgaben auswählen und mit den Experten präzise Abläufe aufschreiben (PREP-016, PREP-014); (2) Anweisungen und Layouts digitalisieren (PREP-006) und Artikelstammdaten bereinigen (PREP-005, PREP-011); (3) einen digitalen Zwilling oder eine Simulation des Arbeitsplatzes aufbauen; (4) teleoperierte Demonstrationen mit Ergebnis-Labels erheben (PREP-019, PREP-020); (5) Abnahme-Testszenarien definieren (PREP-018); (6) Rechtsgrundlage und Anonymisierung für Aufnahmen von Personen klären (PREP-025, PREP-022). Werkzeuge: Flottenplattform des Herstellers, Simulatoren, CVAT. Der Datenaufwand ist hoch, oft 40 Prozent oder mehr des Projekts, weil verkörperte Daten in Unternehmen kaum existieren. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen: Weg A. Humanoide sind im Frühstadium; ein Herstellerpilot mit den Modellen und dem Support des Herstellers begrenzt das Risiko und vermeidet, verkörperte KI im eigenen Haus aufzubauen.
• Entwickler: Weg C. Offene VLA-Modelle und Simulatoren (zum Beispiel VLA-Checkpoints mit offenen Gewichten, Isaac Sim, MuJoCo) auf HW2/HW3 sind die praktische Basis für Forschung und Produkte.
• Öffentliche Hand: Weg C. Öffentlich geförderte Projekte und Forschung brauchen Datensouveränität und Reproduzierbarkeit; offene Modelle auf eigener oder souveräner Infrastruktur passen daher am besten.

Weg A — Kaufen (Standardsoftware) (empfohlen: Pilot mit einem Hersteller)

• Humanoide und universelle Plattformen: Agility Robotics (Digit), Apptronik (Apollo), Figure AI, Tesla (Optimus, nicht kommerziell erhältlich), Boston Dynamics (Atlas, Spot), Unitree (günstig, China), UBTech (China). EU: NEURA Robotics (Deutschland, Humanoid 4NE1, MAiRA), Anbieter vom Typ Humanoid/Sanctuary sitzen meist außerhalb der EU; außerdem PAL Robotics (Spanien, TIAGo, Kangaroo), Wandelbots (Deutschland, No-Code-Programmierung, ROBO-003).
• Anbieter von Robotik-Foundation-Modellen: Physical Intelligence (pi0-Familie), Google DeepMind (Gemini Robotics, Zugang über Trusted Tester), NVIDIA (GR00T, Isaac, Jetson Thor).
• Wählen Sie A, wenn: Sie eine definierte, wiederkehrende, aber variable Aufgabe haben, eine sichere Zone für den Pilot und Herstellerbindung sowie RaaS-Preise (Robots-as-a-Service) akzeptieren können. Für feste Aufgaben sind konventionelle Roboter (ROBO-001) weiterhin zuverlässiger und günstiger.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Nutzen Sie ein führendes VLM (Claude, Gemini, GPT, Mistral) als übergeordneten Planer, Szenenbeschreiber oder Aufgabenprüfer, der per Tool-Aufruf eine Fähigkeitsbibliothek (Greifen, Ablegen, Navigieren) anspricht. Gemini Robotics-ER bietet verkörpertes Schlussfolgern (Zeigen, räumliches Verständnis, Aufgabenplanung) über die Gemini-API.
• Latenz (Hunderte Millisekunden bis Sekunden) und Netzabhängigkeit schließen Cloud-Modelle in der Echtzeit-Regelschleife aus; halten Sie die Steuerung an Bord.
• Datenhaltung in der EU: nutzen Sie EU-Regionen; Kamerastreams können Beschäftigte zeigen, daher den Upload minimieren (Bilder nur auf Anfrage senden).

Weg C — Selbst betreiben (Open Source)

• Offene Modelle: OpenVLA (Stanford/Berkeley, 7B), openpi (pi0, pi0-FAST, Gewichte von pi0.5 von Physical Intelligence), NVIDIA GR00T N1.x (offene Gewichte für Forschung und kommerzielle Nutzung unter NVIDIA-Lizenz), SmolVLA (~450 Mio. Parameter, Hugging Face LeRobot), Octo. Prüfen Sie jeweils die Lizenzbedingungen (manche sind nicht kommerziell oder haben Nutzungsbeschränkungen).
• Stack: LeRobot (Hugging Face) für Daten, Training und Deployment; ROS 2 zur Integration; MuJoCo, NVIDIA Isaac Sim/Lab, Genesis für die Simulation.
• Hardware: HW1 für kleine Modelle an Bord (Klasse Jetson Orin/Thor); HW3 für das Feintuning von VLAs mit 3-7B; HW4 für größere Trainingsläufe. Günstige Arme (rund tausend Euro) machen einen Forschungsaufbau erschwinglich.

Weg D — Eigenes Training

Das Feintuning eines vortrainierten VLA auf Ihre eigene Roboterform und Aufgabe ist der Standardweg zu brauchbaren Erfolgsquoten. Erforderlich sind zehn bis einige hundert teleoperierte Demonstrationen je Aufgabe, ein kalibrierter Kameraaufbau und ein Evaluations- protokoll (Erfolgsquote über viele wiederholte Versuche). Training von Grund auf ist nur etwas für Labore mit Flotten und großen Datenmengen.

Stand der Technik (2026)

• Generalisten-Strategien (pi0.5, Gemini Robotics 1.5, GR00T N1.x) zeigen Generalisierung in offener Umgebung in Wohnungen und Küchen, beim Wäschefalten, bei Montage und mehrstufigen Aufgaben, mit Zwei-System-Architekturen nach dem Muster „erst denken, dann handeln".
• Cross-Embodiment-Training (Datensatz Open X-Embodiment, 20+ Institutionen) lässt ein Modell verschiedene Roboter steuern.
• Datenskalierung: Teleoperation, UMI-artige Handgreifer, egozentrische Videos von Menschen und Simulation ersetzen die reine Laborerhebung.
• Hardware: Kommerzielle Humanoide absolvieren erste bezahlte Pilotprojekte in der Logistik (Behälter bewegen), jedoch mit mäßiger Geschwindigkeit und begrenzter Laufzeit je Akkuladung; die meisten Videos sind teleoperiert oder geskriptet, verlangen Sie daher ungeschnittene autonome Läufe.
• Grenzen und Fehlerbilder: Erfolgsquoten bei neuen Aufgaben liegen oft deutlich unter industriellen Anforderungen; anfällig bei ungesehenem Licht/Objekten; langsam; schwach bei kraftsensitiver und geschickter Arbeit; halluzinierte oder unsichere Aktionen sind möglich und nicht formal verifizierbar; Benchmarks (LIBERO, SimplerEnv, Real-World-Evaluation im Stil von RoboArena) sagen die Leistung im Werk nicht voraus.

Gemeinsame Bausteine & Kombinationen

• Simulation und Sim-to-Real: ROBO-010 (Isaac Sim/Lab, MuJoCo); dieselbe Pipeline trainiert die Fortbewegung und testet Strategien.
• Wahrnehmungs-Stack: ROBO-001 (Greifen, 3d-vision, Segmentierung), ROBO-003 (Programmierung durch Vormachen und Sprache).
• Mobilität und Flotten: ROBO-002 (AMR-Navigation, Flottenmanagement), ROBO-015 (Inspektionsrunden), ROBO-014 (Entladen).
• Sicherheit: ROBO-016 (KI-basierte Sicherheitsfunktionen, Geschwindigkeits- und Abstandsüberwachung).
• Dienstleistungsumfelder: ROBO-008.
• Hardware: Edge-GPUs an Bord (Klasse Jetson), die mit anderen Edge-Vision-Anwendungsfällen geteilt werden; HW3-Server, der für das Feintuning mit VLM-Anwendungsfällen geteilt wird.

Aufwand, Kosten & Kennzahlen

• Pilot nach Weg A: 3-6 Monate einschließlich Sicherheitsbewertung des Standorts; Hardware- oder RaaS-Kosten sind hoch (Humanoide kosten typischerweise sechsstellige Euro-Beträge je Einheit; günstige Forschungs-Humanoide deutlich weniger), plus Integration.
• Forschungsaufbau nach Weg C: Wochen bis zur ersten Demo mit einem günstigen Arm; Monate für eine robuste Aufgabe.
• Kostentreiber: Hardware, Sicherheitstechnik und Zertifizierung, Datenerhebung, Fernbediener, Wartung.
• Kennzahlen: autonome Aufgabenerfolgsquote (n >= 50 Versuche), Griffe oder Behälter pro Stunde im Vergleich zur menschlichen Ausgangsbasis, Eingriffsrate pro Stunde, mittlere Zeit zwischen Ausfällen, Betriebszeit je Ladung, Sicherheitsvorfälle und Beinaheunfälle, Kosten je Aufgabe.

Menschen & Veränderung

Binden Sie die Geschäftsleitung früh ein, weil Pilotprojekte teuer und sichtbar sind, die Abteilungsleitung als Prozessverantwortliche, die IT-Sicherheit für vernetzte Roboter mit Kameras, Recht und Compliance für Maschinensicherheit, Produkthaftung und KI-Verordnung (AI Act), HR für Rollen und Qualifizierung und vor allem die Beschäftigten, die neben dem Roboter arbeiten werden (GUIDE-001). Betriebsrat: ja. Ein Humanoider trägt Kameras und Sensoren, protokolliert Bewegungen und Interaktionen am Arbeitsplatz und verändert Arbeitsprozesse; er ist daher objektiv geeignet, Verhalten oder Leistung zu überwachen (§87 Abs. 1 Nr. 6 BetrVG, BAG); hinzu kommen §90 Abs. 1 Nr. 3 und das Sachverständigenrecht nach §80 Abs. 3 für KI. Öffentlicher Dienst: Binden Sie den Personalrat ein. Verhandeln Sie eine Betriebsvereinbarung zu Sensordaten, Zonen, Aufbewahrung und zum Ausschluss von Leistungsbeurteilungen (GUIDE-004). Eine Prüfung durch die oder den Datenschutzbeauftragten und voraussichtlich eine Datenschutz-Folgenabschätzung (DSFA) sind nötig, wenn Videos von Personen verarbeitet werden (GUIDE-005). KI-Kompetenz: Die KI-Verordnung (AI Act) verlangt Maßnahmen zur Förderung der Kompetenz der Beschäftigten; schulen Sie deshalb Kolleginnen und Kollegen zu sicherer Interaktion, Grenzen und Not-Halt (GUIDE-006). Typische Sorgen sind Sicherheit, Angst vor Ersetzung und Hype. Kommunizieren Sie ehrlich, dass Humanoide heute enge Aufgaben bewältigen, beginnen Sie mit einem kleinen, freiwilligen Pilot mit KI-Botschaftern (GUIDE-008, GUIDE-009), sorgen Sie dafür, dass Menschen den Roboter jederzeit stoppen und übersteuern können, und legen Sie Go/No-go-Kriterien vorab fest.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Ein Roboter ist typischerweise eine Maschine, deren Sicherheitsbauteil nach Art. 6 Abs. 1 / Anhang I hochriskant sein kann (Maschinenverordnung (EU) 2023/1230, anwendbar ab dem 20. Januar 2027), wenn die KI ein Sicherheitsbauteil ist, das einer Konformitätsbewertung durch Dritte unterliegt; Hochrisiko-Pflichten für Produkte nach Anhang I gelten später als die nach Anhang III (2. Aug. 2028, vom Aug. 2027 verschoben durch das Digital Omnibus on AI, Verordnung (EU) 2026/1744). Nicht sicherheitsrelevante Nutzungen haben ein minimales Risiko. Verbote nach Art. 5: Emotionserkennung bei Beschäftigten (am Arbeitsplatz) sowie manipulative oder ausbeuterische Techniken sind verboten; ein Humanoider in einer Pflege- oder Empfangsrolle darf die Emotionen von Beschäftigten oder Patienten nicht ableiten. Die Transparenzpflicht nach Art. 50 gilt, wenn ein Roboter mit Menschen interagiert (offenlegen, dass es sich um KI/einen Roboter handelt).
• Maschinenverordnung 2023/1230 und Normen: sich selbst weiterentwickelndes Verhalten und KI-Sicherheitsfunktionen erfordern eine Risikobeurteilung über den gesamten Lebenszyklus; ISO 10218 (Industrieroboter), ISO/TS 15066 (kollaborativ), ISO 13482 (Roboter für persönliche Assistenz) und ISO 25785-1 (Beinroboter und dynamisch stabile Roboter, in Entwicklung) sind die einschlägigen Normen. Eine gelernte Strategie allein kann nicht die Sicherheitsfunktion sein.
• DSGVO: Bordkameras und -mikrofone erfassen Beschäftigte, Kunden und Patienten. Datenschutz-Folgenabschätzung (DSFA), Beschilderung, Verarbeitung auf dem Gerät, kurze Aufbewahrung, Mitbestimmung des Betriebsrats (Deutschland: BetrVG §87).
• Haftung: Die überarbeitete Produkthaftungsrichtlinie (EU) 2024/2853 erfasst Software und KI; Hersteller und Betreiber teilen sich die Verantwortung.
• Cybersicherheit: Cyber Resilience Act (EU) 2024/2847 für Produkte mit digitalen Elementen; sicherer Fernzugriff, signierte Updates.
• Weitere Risiken: Verletzungen (schwere, schnelle, kippende Roboter), Akzeptanz in der Belegschaft, Herstellerbindung, wirtschaftliche Tragfähigkeit des Herstellers, Lücke zwischen Demo und Realität.
• Gegenmaßnahmen: getrennte Sicherheitszonen, zertifizierte Sicherheitssteuerung, Geschwindigkeits- und Kraftgrenzen, Fern-Notaus, gestufte Autonomie, unabhängige Abnahmetests.

Erste Schritte

1. Wählen Sie eine eng gefasste Aufgabe (z. B. Behälterübergabe zwischen zwei Stationen) und messen Sie die menschliche Ausgangsbasis.
2. Führen Sie zuerst eine Gefährdungs- und Risikobeurteilung durch; definieren Sie eine eingezäunte oder abgetrennte Pilotzone mit zertifizierten Sicherheitsfunktionen.
3. Fordern Sie bei 2-3 Herstellern ungeschnittene autonome Läufe mit Ihren Objekten an; vereinbaren Sie Kriterien für Erfolgsquote, Eingriffe und Verfügbarkeit.
4. Bauen Sie parallel einen günstigen Laboraufbau (LeRobot mit einem SO-101-Arm oder ähnlich), um Datenerhebung und Feintuning zu lernen.
5. Beziehen Sie Betriebsrat und Datenschutzbeauftragte(n) früh ein; führen Sie vor der Skalierung einen 3-monatigen Pilot mit wöchentlicher Kennzahlenprüfung durch.

Quellen

1. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
2. Regulation (EU) 2023/1230 (Machinery Regulation) — https://eur-lex.europa.eu/eli/reg/2023/1230/oj
3. Physical Intelligence — openpi (pi0, pi0.5) — https://github.com/Physical-Intelligence/openpi
4. NVIDIA Isaac GR00T — https://github.com/NVIDIA/Isaac-GR00T
5. OpenVLA — https://openvla.github.io/
6. Hugging Face LeRobot / SmolVLA — https://github.com/huggingface/lerobot
7. Google DeepMind — Gemini Robotics — https://deepmind.google/models/gemini-robotics/
8. Open X-Embodiment collaboration — https://robotics-transformer-x.github.io/
9. Directive (EU) 2024/2853 (Product Liability) — https://eur-lex.europa.eu/eli/dir/2024/2853/oj
10. Regulation (EU) 2024/2847 (Cyber Resilience Act) — https://eur-lex.europa.eu/eli/reg/2024/2847/oj