Robotik-Foundation-Model

Ein Robotik-Foundation-Model ist ein großes, auf breiten Daten vortrainiertes Modell, das viele Aufgaben und idealerweise viele Roboterkörper abdeckt — analog zu Sprach-Foundation-Models wie GPT. Es dient als generalistische Basis, die sich mit vergleichsweise wenig zusätzlichen Daten auf neue Aufgaben feinjustieren lässt.

Die Kernwette

Statt jeden Roboter für jede Aufgabe einzeln zu programmieren, soll ein Basismodell aus Demonstrationsdaten, Videos und Simulation generalisieren — neue Aufgaben brauchen dann nur noch wenig Feintuning oder lassen sich sogar per natürlicher Sprache abrufen. Ob Daten über verschiedene Roboterkörper hinweg übertragbar sind, behandelt Cross-Embodiment.

Drei Bauformen

• Vision-Language-Action-Modelle (VLA) übersetzen Kamerabild + Sprachbefehl direkt in Steueraktionen. Die heute dominierende Architektur (z. B. π0, Gemini Robotics, GR00T N1, Helix).
• Reasoning-/Embodied-VLMs planen und „denken” über eine Szene, ohne selbst Motoren zu steuern (z. B. Gemini Robotics-ER). Sie sind oft das „langsame” Denksystem über einer schnellen Policy.
• World Models sagen den künftigen Zustand der Welt voraus und dienen als gelernter Simulator zur Datengenerierung oder zum „Vorausdenken”.

Der Daten-Engpass

Anders als bei Text gibt es kein „Internet der Roboteraktionen”. Die zentrale Herausforderung ist deshalb die Datenbeschaffung. Drei Wege werden kombiniert: Teleoperation (hochwertige, aber teure menschliche Demonstrationen), Simulation (billig skalierbar, aber mit „Reality Gap”) und zunehmend synthetische Daten aus World Models sowie menschliche Egozentrik-Videos.

Welche Modelle 2026 führend sind und auf welchem Stand sie stehen, fasst die Übersicht der Foundation-Model-Landschaft zusammen.