Deep Robotics veröffentlicht quelloffenes RL-Trainings-Framework für humanoiden DR02
Deep Robotics hat das Reinforcement-Learning-Trainings-Framework für seinen humanoiden Roboter DR02 als Open-Source-Projekt auf GitHub veröffentlicht. Das auf NVIDIA IsaacLab aufbauende Paket enthält das vollständige Robotermodell, Trainingsumgebungen, einen AMP-basierten Lernalgorithmus sowie Export-Werkzeuge für den realen Einsatz ohne Simulation.
Deep Robotics (Tiefe Robotik, Hangzhou) hat sein Reinforcement-Learning-Trainings-Framework für den humanoiden Roboter DR02 unter einer Open-Source-Lizenz auf GitHub veröffentlicht. Das Repository DeepRoboticsLab/RL_Training basiert auf dem von NVIDIA entwickelten IsaacLab-Simulator und liefert der Community ein vollständiges Blueprint, um Fortbewegungstraining von der Simulation auf echte Hardware zu übertragen.
Was enthält das Framework?
Das Open-Source-Paket besteht aus fünf Kernkomponenten:
| Komponente | Inhalt |
|---|---|
| Robotermodell | URDF-/MJCF-Beschreibung mit präzisen Gelenkgrenzen, Aktuatordynamik und Sensorrauschen |
| Trainingsumgebungen | Simulation von Geländevarianten, äußeren Störkräften und Aufgabenvariationen |
| Trainings-Pipeline | RSL-RL 5.0.1 mit Multi-GPU-Unterstützung und Isaac Lab 2.3.2 |
| Algorithmus | AMP (Asymmetric Motion Priors) für den DR02, abweichend vom Rough-Terrain-Ansatz der kleineren Plattformen |
| Deployment-Export | ONNX-Export für den Einsatz ohne Simulator auf realer Hardware |
Neben dem DR02 unterstützt das Framework auch die Deep-Robotics-Vierbeiner Lite3 und M20, die ein abweichendes Trainingsverfahren nutzen (Rough-Terrain statt AMP). Der DR02 benötigt laut Repository-Dokumentation für den realen Einsatz zusätzlich ein separates Deployment-Repository, was auf eine spezialisierte Steuerungsarchitektur für humanoide Plattformen hinweist.
DR02: Hybrid zwischen Humanoid und Quadruped
Der DR02 ist eine Plattform am Schnittpunkt von humanoider und Vierbeiner-Robotik. Im Unterschied zu reinen Bipeds oder klassischen Robotic Dogs ist der DR02 für gefährliche oder schwer zugängliche Umgebungen konzipiert — etwa Industrieinspektion, Wartung oder Gelände mit unbekannter Struktur. Deep Robotics ist vor allem aus dem Segment der Vierbeiner-Roboter bekannt (ähnlich wie Boston Dynamics Spot) und erweitert sein Portfolio mit dem DR02 in Richtung Humanoid-ähnlichere Plattformen.
Bedeutung für die Community
Durch die Veröffentlichung des vollständigen Trainings-Stacks senkt Deep Robotics die Einstiegshürde für:
- Akademische Gruppen, die reale humanoide Hardware für RL-Experimente benötigen, ohne das Training von Grund auf zu implementieren
- Startups, die schnell von Simulation auf echte Roboter übergehen wollen
- Forscher, die den AMP-Ansatz auf anderen Plattformen replizieren oder vergleichen
Während Unitree (H1, G1) und Fourier (GR-2) ähnliche Community-Ressourcen anbieten, ist die Deep-Robotics-Veröffentlichung bemerkenswert, weil sie den kompletten Pipeline-Stack — von der Umgebungsdefinition bis zum Hardware-Deployment — in einem einzigen Repository bündelt.
Quellenhinweis: Das GitHub-Repository wurde direkt verifiziert (108 Commits, Stand September 2026). Die Sekundärquelle robotics.sg (08.09.2026) ist als Google-Index-Treffer belegt, war aber zum Zeitpunkt der Erstellung nicht direkt abrufbar. Alle inhaltlichen Angaben zum Repository-Umfang basieren auf dem direkt abgerufenen Repository-Inhalt. Deep Robotics hat kein gesondertes Pressemitteilung veröffentlicht — die technischen Details stammen aus der Repository-Dokumentation selbst.