Wie Roboter lernen: Von menschlichen Demos zu Digitalen Zwillingen

Humanoide Roboter werden zu echten Arbeitern und Helfern. Bis 2026 erwarten Unternehmen wie Tesla und Boston Dynamics Roboter, die Autos montieren, Vorräte holen und sogar Menschen unterstützen können. Aber wie lernen diese Roboter Aufgaben zu erledigen? Die Antwort liegt in einer Trainingspipeline: Menschen zeigen oder demonstrieren die Aufgabe zuerst, das Lernen geschieht in Simulationen, und dann testen Ingenieure alles gründlich – oft mithilfe eines „Digitalen Zwillings“ der Fabrik oder des Hauses. In diesem Artikel erklären wir jeden Schritt dieser Reise: von der Aufzeichnung menschlicher Bewegungen und der Fern-Teleoperation, über geskriptete Routinen und Reinforcement Learning in virtuellen Welten, bis hin zu den abschließenden Robotertests in der realen Welt. Wir zeigen auch, wie das Scannen einer Anlage in ein virtuelles Modell die Planung und das Testen von Roboteraktionen unterstützt und wie Ingenieure überprüfen, ob die neuen Roboterfähigkeiten sicher und zuverlässig sind.

Lernen von Menschen: Demonstrationen und Teleoperation

Roboter beginnen oft damit, von Menschen zu lernen. Eine gängige Methode ist Learning from Demonstration (LfD). Das bedeutet, eine Person führt eine Aufgabe aus (z. B. ein Teil aufheben oder eine Tür öffnen) und der Roboter zeichnet dies als Daten auf. Ingenieure könnten zum Beispiel Motion-Capture-Anzüge oder Sensoren verwenden, um genau aufzuzeichnen, wie ein Mensch eine Kiste bewegt. Diese saubere menschliche Bewegung wird zu „Trainingsdaten“, die auf den Roboter übertragen werden können. Ein aktuelles Beispiel von Boston Dynamics zeigte genau diesen Kreislauf: menschliche Bewegung erfassen, auf das Atlas-Robotermodell abbilden, die Strategie in der Simulation trainieren und die Fähigkeit dann auf den realen Roboter übertragen (www.xsens.com). Kurz gesagt: „menschliche Bewegung erfassen, auf den Roboter übertragen, in Simulation trainieren, auf Hardware einsetzen“ ist heute ein Standard-Trainingsrezept (www.xsens.com).

Eine weitere Möglichkeit, Roboter zu lehren, ist die Teleoperation. Bei der Teleoperation führt ein menschlicher Bediener den Roboter direkt (zum Beispiel mit einem Joystick oder VR-Controller) durch die Aufgabe. Der Roboter zeichnet auf, was passiert ist. Das ist wie ein Lehrer, der die Hand eines Kindes hält, um ihm die Schritte zu zeigen. Als Boston Dynamics beispielsweise seinen Atlas-Roboter kürzlich auf der CES 2026 vorstellte, nutzte ein Ingenieur einen Computer, um Atlas über die Bühne zu steuern (apnews.com). Der Roboter ging, winkte und machte sogar einen kleinen Tanz unter Fernsteuerung. Diese Demonstrationen (sowohl die exakten Roboterbewegungen als auch das visuelle Feedback) werden zu Daten, aus denen die KI des Roboters lernen kann. Die gleiche CES-Ankündigung erwähnte, dass Atlas schließlich auf der Fabriketage autonom sein wird, aber für die öffentliche Demo wurde er „ferngesteuert“ (apnews.com), um Sicherheit und Kontrolle zu gewährleisten.

Beispiel: Ein Mensch könnte einem Roboter zeigen, wie man ein Regal belädt, indem er den Arm des Roboters manuell in einer VR-Umgebung bewegt. Der Roboter beobachtet oder zeichnet dabei die Gelenkwinkel während der Aktionen des Lehrers auf und nutzt diese dann als Blaupause.

Von Skripten zu KI: Programmierte Strategien und Roboterlernen

Nicht jede Aufgabe erfordert komplexes Lernen. Viele industrielle Aufgaben können durch geskriptete Strategien erledigt werden – feste Anweisungen, die von Ingenieuren geschrieben wurden. Bei diesem Ansatz programmieren Experten die Schritte präzise („gehe zum Behälter, nimm Teil, bewege dich 1 Meter nach links, platziere Teil“). Diese Skripte funktionieren gut, wenn die Umgebung kontrolliert ist und sich die Aufgaben nicht stark ändern. In einer Autofabrik könnte ein Ingenieur zum Beispiel einen Roboterarm skripten, um immer wieder die gleiche Motorabdeckung aus einem Behälter zu nehmen.

Für vielfältigere oder komplexere Aufgaben greifen Roboter jedoch auf Reinforcement Learning (RL) in der Simulation zurück. Hier wird die Steuerungsstrategie des Roboters durch Versuch und Irrtum in einer virtuellen Welt gelernt. Der Roboter probiert verschiedene Aktionen aus, da die Simulation sicher und schnell ist. Erfolgreiche Verhaltensweisen werden beibehalten, Fehler verworfen, und über viele Versuche „lernt“ der Roboter, die Aufgabe selbstständig zu erledigen. Moderne Pipelines für Humanoide kombinieren oft beide Welten: eine hochrangige geskriptete Struktur plus untergeordnete gelernte Steuerungen. Ingenieure können beispielsweise ein grundlegendes Gehskript schreiben, aber einem neuronalen Netzwerk (trainiert mit RL) erlauben, das genaue Gleichgewicht und die Fußplatzierung anzupassen.

Große Robotik-Teams nutzen dafür inzwischen leistungsstarke Simulatoren. NVIDIA beispielsweise bietet die Plattform Isaac Sim auf seiner Omniverse-Engine an. Agility Robotics (Hersteller des Digit-Roboters) nutzte diese Art von Werkzeug, um ein Ganzkörper-Steuerungsmodell zu trainieren. In einem veröffentlichten Fall führte Agility Milliarden von Simulationsschritten durch, um Digit beizubringen, wie er bei Stößen oder auf unebenem Boden stabil bleibt (www.nvidia.com). Durch die parallele Durchführung vieler Versuche auf Grafikkarten verkürzten sie die Entwicklungszeit von Wochen auf Tage und setzten die trainierten Modelle dann erfolgreich in echten Lagern ein (www.nvidia.com). Mit anderen Worten: Milliarden virtueller Versuche ermöglichten es dem echten Roboter, sicher zu lernen.

Domänenrandomisierung und Kalibrierung

Eine große Herausforderung besteht darin, sicherzustellen, dass das, was der Roboter in einer spielähnlichen Welt lernt, auf die reale Welt übertragen werden kann. Dies wird als Sim-to-Real-Transfer bezeichnet. Ein wichtiger Trick ist die Domänenrandomisierung. Das bedeutet, der Simulator variiert absichtlich Dinge wie Farben, Beleuchtung, Objektformen und Physik. In einer berühmten Robotikstudie randomisierten die Forscher beispielsweise die Textur, Farbe und Position von Objekten in der Simulation so stark, dass die reale Welt für den Roboter nur wie ein weiterer zufälliger Fall aussah (axi.lims.ac.uk). In der Praxis brachten sie einem Vision-Modell bei, ein reales Objekt zu lokalisieren, indem sie nur mit gefälschten Bildern trainierten, und es funktionierte mit einer Genauigkeit von 1-2 cm (axi.lims.ac.uk). Die Idee ist, dass, wenn die Roboterstrategie eine riesige Vielfalt simulierter Daten gesehen hat, sie durch kleine Unterschiede in der Realität nicht aus dem Konzept gebracht wird.

Neben der Randomisierung der visuellen Elemente kalibrieren Ingenieure auch die Simulation, um sie dem realen Roboter anzupassen. Sie messen die tatsächliche Gelenkreibung, Motorgeschwindigkeiten, Gewichtsverteilung, Sensorrauschen usw. des realen Roboters und stimmen den Simulator entsprechend ab. Auf diese Weise wird das Lernen auf die reale Maschine feinabgestimmt. Wenn der simulierte Roboter beispielsweise etwas „federnder“ ist als der reale, rutscht ein Fußgriff in der Simulation möglicherweise nicht, sodass Ingenieure Parameter anpassen, bis die virtuellen Stürze die realen Stürze nachahmen. Sorgfältig durchgeführt, machen Kalibrierung plus Randomisierung die in der Simulation trainierten Fähigkeiten in der Praxis wesentlich zuverlässiger.

Virtuelle Zwillinge: Scannen und Testen der realen Welt

Anlagenscans und Digitale Zwillinge

Aufbauend auf der Simulation erstellen Unternehmen auch digitale Zwillinge ganzer Umgebungen. Ein digitaler Zwilling ist eine virtuelle Kopie einer Fabrik, eines Lagers oder eines Hauses. Um einen solchen zu erstellen, wird der reale Raum gescannt (mithilfe von Kameras oder LIDAR-Sensoren) und in ein detailliertes 3D-Modell umgewandelt. Siemens bietet beispielsweise eine Smartphone-App an, die ein Büro mit dem LIDAR des Telefons scannen kann. Die App fügt alles zu einer 3D-Karte zusammen – mit Wänden, Türen, Maschinen und Möbeln an ihrem Platz – die als digitaler Zwilling des Gebäudes dienen kann (www.siemens.com). Diese Zwillinge sind sehr präzise; Siemens sagt, dass sein Metaroom-System „reale Räume detailgetreu erfasst und präzise 3D-Modelle erstellt, die Wände, Türen, Fenster und Möbel umfassen“ (www.siemens.com).

Warum einen digitalen Zwilling erstellen? Das bedeutet, dass Roboter in einer virtuellen Replik getestet werden können, bevor sie jemals live gehen. Wenn eine Lagerhalle vollständig digitalisiert ist, können Unternehmen das Modell des Roboters in diesen Zwilling einfügen und Simulationen alltäglicher Aufgaben durchführen. Dies hilft zu überprüfen, ob die Sensoren und Karten des Roboters mit der Realität übereinstimmen. Zum Beispiel können automatisierte Gabelstapler oder Lieferroboter Routen im Zwilling planen, um sicherzustellen, dass sie nicht stecken bleiben. In einem bemerkenswerten Fall baute ein Pharmahersteller einen digitalen Zwilling seines 280.000 ft² großen Reinraums, nachdem ein früherer Einsatzvorfall einen Verlust von 340.000 US-Dollar verursacht hatte. Durch die Simulation aller sechs mobilen Roboter zusammen im virtuellen Zwilling entdeckten Ingenieure Kollisionsprobleme frühzeitig. Danach wurde jedes Software-Update zuerst im Zwilling getestet. Das Ergebnis war null reale Kollisionen für über ein Jahr, und die Bereitstellungszeit für neue Roboter schrumpfte von 9 Wochen Live-Tests auf nur 6 Tage mithilfe des virtuellen Zwillings (oxmaint.com). (Dieser hochmoderne Workflow wurde 2026 von Oxmaint, einem Robotik-Softwareunternehmen, basierend auf realen Fabrikerfahrungen gemeldet (oxmaint.com).)

An Universitäten und Forschungslaboren werden ebenfalls verkleinerte Lagerhaus-Zwillinge erstellt. Zum Beispiel entwickeln Forscher der Carnegie Mellon Tools zur Erstellung digitaler Zwillinge von Fabrikböden, damit Lagerroboter „sich selbst trainieren“ können, um neue Umgebungen leicht zu navigieren (engineering.cmu.edu). Ihr Projekt heißt wörtlich „Digital Twins to Ready Warehouse Robots“, mit dem Ziel, dass Roboter Aufgaben in einer virtuellen Kopie des Gebäudes bewerten und proben können (engineering.cmu.edu). Auf diese Weise kennen die tatsächlichen Roboter bei ihrer Ankunft vor Ort bereits das Layout (den Zwilling) und agieren weniger wahrscheinlich unvorhersehbar.

Digitaler Zwilling für Planung und Diagnose

Sobald ein digitaler Zwilling existiert, ist er nicht nur für die Pfadplanung nützlich, sondern auch für die Fernüberwachung und Wartung. Stellen Sie sich einen Roboter oder Sensor vor, der ein Gebäude inspiziert und Daten streamt. Diese Daten können den Zwilling in Echtzeit aktualisieren. In Japan führte NTT Data beispielsweise Tests durch, bei denen ein ferngesteuerter Roboter entlang von Fabrikrohren kroch. Die Kameras des Roboters sendeten Video an eine KI, die Risse in den Rohren erkannte. Das System markierte diese Risse dann automatisch im Modell des digitalen Zwillings (prtimes.jp). Wartungsingenieure könnten sich (meilenweit entfernt) in den Zwilling einloggen und genau sehen, wo Schäden entdeckt wurden, als würden sie durch das 3D-Modell der Anlage gehen. Solche Ferndiagnosen sparen Zeit und halten Menschen von Gefahren fern.

Digitale Zwillinge unterstützen auch das Testen neuer Roboter-Software. Anstatt auf einer belebten Werkstatt zu testen, spielen Ingenieure Software-Updates in den Zwilling ein. Die Zwillingsumgebung speist simulierte Sensordaten in das Steuerungssystem des Roboters ein, sodass Entwickler Probleme risikofrei erkennen können. Im obigen Pharma-Beispiel wurde der Zwilling zur Revalidierung nach jeder Änderung verwendet. Wie in einem Whitepaper festgestellt wurde, erreichte die Fabrik nach der digitalen Verdoppelung aller Roboter 14 Monate ohne Kollisionen, und die Validierungszeit für neue Roboter sank von 9 Wochen auf 6 Tage (oxmaint.com).

Abnahmetests: Überprüfung der gelernten Fähigkeiten

In der Robotik muss man nachweisen, dass ein neu gelerntes Verhalten tatsächlich funktioniert und sicher ist, bevor es ausgeliefert wird. Dies wird als Abnahmetest oder Systemvalidierung bezeichnet. Die Idee ist, die Roboterstrategie wie ein fertiges Produkt zu behandeln und sie anhand spezifischer Kriterien zu überprüfen. Das Testen ist nicht nur eine Sichtprüfung; Ingenieure schreiben präzise Bestehens-/Fehlerregeln für jede Aufgabe. Eine Regel könnte zum Beispiel lauten: „Erfolg = der Roboter hebt die Kiste um 5 cm vom Regal und platziert sie innerhalb von 3 cm vom Ziel, ohne sie fallen zu lassen“ (claru.ai). Jede Aufgabe erhält ihre eigene klare, messbare Erfolgsbedingung.

Dann führt der Roboter diese Aufgabe viele Male unter leicht unterschiedlichen Bedingungen (unterschiedliche Objektpositionen, Beleuchtung usw.) im Labor oder in einer kontrollierten Umgebung aus. Jeder Versuch wird auf einer Checkliste festgehalten: War es ein Erfolg oder ein Misserfolg? Wie lange dauerte es? Was genau ging bei Misserfolgen schief? Robotik-Experten empfehlen, dies systematisch zu tun. Ein Leitfaden schlägt vor, dass mehrere Gutachter Versuchsvideos bewerten, um sicherzustellen, dass Einigkeit darüber besteht, was „Erfolg“ bedeutet (claru.ai). Dieser Prozess deckt Unklarheiten auf: Wenn zwei Personen über das Ergebnis eines Versuchs uneinig sind, müssen die Regeln verfeinert werden.

Ziel ist es, Vertrauen aufzubauen. Ein strukturierter Testrahmen bestätigt, dass der Roboter „seine beabsichtigten Funktionen sicher und zuverlässig ausführt“ (roboticsystemsauthority.com). Industriestandards wie ISO 9283 für Robotermanipulatoren betonen ebenfalls definierte Leistungskriterien und Messungen. In der Praxis kann der Abschluss eines Abnahmetests eine Mischung aus Simulationsprüfungen, kontrollierten physikalischen Versuchen und Sicherheitsbewertungen (wie der Überprüfung der Funktion von Not-Aus-Schaltern) umfassen. Am Ende sollte die gelernte Strategie nur dann in der realen Welt aktiviert werden, wenn der Roboter alle Erfolgskriterien konsistent erfüllt.

Beispiel Checkliste: Definieren Sie genau, was für jeden Schritt als Erfolg zählt, halten Sie es schriftlich fest (z.B. als binäre Ja/Nein-Tests), lassen Sie den Roboter 20–50 Versuche durchführen und protokollieren Sie die Ergebnisse. Wenn eine Regel unklar ist, überarbeiten Sie sie. Erst wenn der Roboter alle Tests mit hoher Konsistenz besteht, „graduiert“ er zum realen Einsatz.

Fazit

Das Beibringen neuer Aufgaben an humanoide Roboter ist ein mehrstufiger Prozess, der menschliches Fachwissen, clevere Simulationstricks und rigorose Tests miteinander verbindet. Menschen könnten damit beginnen, die Aufgabe zu demonstrieren oder den Roboter sogar fernzusteuern. Diese Daten fließen in einen Simulator, wo die KI durch Versuch und Irrtum lernt (oft unterstützt durch die Randomisierung der virtuellen Welt). Gleichzeitig scannen Unternehmen den realen Arbeitsplatz in einen digitalen Zwilling, damit der Roboter dort zuerst getestet werden kann. Schließlich führen Ingenieure formelle Abnahmetests durch, um sicherzustellen, dass der Roboter die Aufgabe wirklich sicher erledigt.

Bis 2026 zeigt diese Pipeline bereits Ergebnisse. Tesla skaliert die Optimus-Produktion hoch (in der Hoffnung, dass diese Roboter eines Tages Pflanzen für ältere Menschen gießen können, so Musk (apnews.com)). Boston Dynamics‘ Atlas hat gezeigt, dass er gehen, winken und sogar einen Rückwärtssalto machen kann, und ist für Fabrikmontagebänder im Jahr 2028 geplant (www.techradar.com). Agility Robotics setzt Flotten von Digits für Lagerhäuser ein und kündigt sogar „Roboterarmeen“ an, die aus der Cloud gesteuert werden (www.axios.com). All diese Unternehmen verlassen sich auf dieselben Kernideen: Daten aus Demonstrationen oder Code, Simulationslernen mit Domänenvariation und virtuelle Zwillinge zum Testen.

Für Geschäftsinhaber und Verbraucher gleichermaßen bedeuten diese Fortschritte, dass wir bald zuverlässige humanoide Roboter sehen können, die Routineaufgaben erledigen. Und hinter jeder reibungslosen Demo steckt viel sorgfältige Ingenieursarbeit: menschliches Wissen erfassen, Billionen von Schritten simulieren, an die Realität kalibrieren und mit Tests doppelt prüfen. So werden die humanoiden Helfer von morgen Ihre Aufgaben lernen – sicher und intelligent.