Roboter lernen aus einem einzigen Video, statt aus tausend teuer aufgezeichneten Wiederholungen. Ein Team der Beijing Institute of Technology und der Tsinghua-Universität zeigt mit dem offenen Verfahren HOST, wie ein Arm einen neuen Handgriff aus rund 29 Sekunden menschlicher Vorführung übernimmt. Für Fabriken verschiebt der Ansatz den größten Kostenblock der Automatisierung.
drweb.de als bevorzugte Quelle auf Google hinzufügenQualitätsgeprüfte Inhalte direkt in Google News & DiscoverJetzt hinzufügen
Roboter lernen aus Video ist kein neues Versprechen, doch HOST liefert dafür harte Zahlen. Der Code liegt offen auf GitHub und Hugging Face, das Verfahren braucht weder ein Nachtraining noch eine frische Datensammlung.
Das Wichtigste in Kürze
- HOST bringt Robotern neue Aufgaben aus einer einzigen menschlichen Videoaufnahme bei, im Schnitt 29 Sekunden lang.
- 62 % Erfolgsquote bei 50 zuvor unbekannten Tischaufgaben, 45 Prozentpunkte über der bisherigen Methode ohne Demonstration.
- Das Verfahren braucht 50-mal weniger Demonstrationen und arbeitet 507-mal schneller als klassisches Nachtrainieren.
- Beijing Institute of Technology und Tsinghua stellen den Code quelloffen auf GitHub und Hugging Face bereit.
Wie bringt ein einziges Video dem Roboter den Handgriff bei?
HOST zerlegt die Aufgabe in drei Schritte. Zuerst erkennt das System aus dem Video, in welcher Phase eine Handlung gerade steckt. Dann rechnet es die menschliche Perspektive in die Sicht des Roboterarms um. Zuletzt leitet es aus dem gezeigten Zielzustand die nötige Bewegungsfolge ab und richtet sie am Fortschritt der Aufgabe aus, nicht an der Uhr.[1]
So kopiert der Arm nicht Pixel für Pixel, sondern rekonstruiert den Sinn der Handlung. HOST versteht das Ziel und findet auch bei leicht verschobenen Objekten einen eigenen Weg dorthin, statt eine Bewegung stur nachzufahren.
Warum ist das Datensammeln der teuerste Teil der Robotik?
Der eigentliche Engpass der Robotik steckt nicht im Greifer, sondern in den Daten. Heute lernt ein Roboterarm einen neuen Griff meist über Teleoperation: Ein Mensch führt den Arm hunderte Male, jede Wiederholung wird aufgezeichnet, danach trainiert ein Modell tagelang nach. Diese Sammelarbeit ist der teuerste und langsamste Posten jeder Inbetriebnahme, ein Kern der Frage, wer im Betrieb überhaupt einen Roboter braucht.
HOST erreicht laut den Messungen 62 % Erfolg bei 50 neuen Aufgaben und benötigt dafür 50-mal weniger Demonstrationen als das Referenzmodell Pi-0.5.[1] Fast alle alten Fähigkeiten bleiben erhalten, während ein verbreitetes Nachtrainier-Verfahren nur 43 % behielt. Das Muster passt zum Rennen um sogenannte Vision-Language-Action-Modelle, in dem das US-Startup Physical Intelligence, Google DeepMind und Nvidia vorne liegen.
Chinas Hochschulen mischen jetzt mit offenem Code mit, wie zuletzt beim offenen Humanoiden von Nvidia auf einem China-Körper. Auch der Kapitalmarkt honoriert die Dynamik, etwa beim ersten Embodied-AI-Börsengang von Unitree.
Nicht der Roboterkörper entscheidet über den Durchbruch, sondern die Frage, wie billig eine Maschine eine neue Aufgabe lernt. HOST verschiebt genau diese Kosten und trifft damit die Kalkulation jedes Mittelständlers, der über Automatisierung nachdenkt.
— Markus Seyfferth, Chefredakteur Dr. Web
Was bedeutet selbstlernende Robotik für europäische Fabriken?
Für europäische Fabriken zählt vor allem, dass die Datenhürde sinkt. Der Fachkräftemangel drückt. Ein Arm, der eine neue Aufgabe aus einer kurzen Vorführung übernimmt, senkt die Schwelle für kleine Serien und häufige Umrüstungen. An diesem Ziel arbeiten auch europäische Anbieter, ähnlich wie BMW in Landshut die Software für humanoide Robotik selbst baut.
Regulatorisch trifft das Verfahren einen offenen Punkt. Die EU-Maschinenverordnung 2023/1230 gilt ab dem 20. Januar 2027 und ordnet Maschinen mit selbstentwickelndem Verhalten, die Sicherheitsfunktionen tragen, ausdrücklich der strengsten Prüfklasse zu.[2] Ein Arm, der sein Verhalten nach einem Video ändert, fällt genau in diese Kategorie.
Planer von Humanoiden prüfen daher zweierlei: ob der Zulieferer eine Konformitätsbewertung für lernende Systeme mitbringt und wie sich die sechs Fraunhofer-Kriterien für humanoide Roboter anlegen lassen. Die technischen Begriffe rund um solche Systeme klärt das große Robotik-Glossar.
Der offene HOST-Code ist ein Startpunkt für eigene Tests, kein fertiges Produkt. Vor einer Automatisierung lohnt sich ein klarer Ablauf: das Repository laden, die Zahlen an der eigenen Aufgabe prüfen und die Konformitätsfrage früh klären, statt sie erst kurz vor 2027 aufzuwerfen. Eine nüchterne Einordnung, wer im Betrieb wirklich einen Roboter braucht, liefert der Überblick Robotik 2026.
FAQ: Roboter lernen aus einem 29-Sekunden-Video
Was ist HOST in der Robotik?
HOST ist ein offenes Forschungs-Framework der Beijing Institute of Technology und der Tsinghua-Universität, mit dem ein Roboter einen neuen Handgriff aus einem einzigen menschlichen Video lernt. Der Ansatz braucht kein Nachtraining und keine frisch gesammelten Daten und ist auf GitHub und Hugging Face verfügbar.
Wie schnell lernt ein Roboter mit HOST eine neue Aufgabe?
Im Schnitt reicht ein rund 29 Sekunden langes Video einer menschlichen Vorführung, damit der Roboter die Aufgabe ausführt. Das Verfahren erreicht dabei 62 Prozent Erfolg bei 50 zuvor unbekannten Tischaufgaben.
Braucht HOST teures Nachtraining?
Nein. HOST kommt ohne Feinabstimmung des Modells und ohne neue Datensammlung aus. Laut den Messungen braucht es 50-mal weniger Demonstrationen als das Referenzmodell Pi-0.5 und arbeitet 507-mal schneller als klassisches Nachtrainieren.
Ist HOST Open Source?
Ja. Das Forschungsteam hat den Code und die Modelle quelloffen auf GitHub und Hugging Face veröffentlicht. Damit können Labore und Firmen das Verfahren an eigenen Aufgaben testen, ohne bei null anzufangen.
Fällt lernende Robotik unter die EU-Maschinenverordnung?
Ja. Die Verordnung (EU) 2023/1230 gilt ab dem 20. Januar 2027 und stuft Maschinen mit selbstentwickelndem Verhalten, die Sicherheitsfunktionen tragen, in die strengste Prüfklasse ein. Ein Roboter, der sein Verhalten nach einem Video ändert, fällt darunter.
Quellen
[1] Chen, Wang, Cui et al.: „Robots Acquire Manipulation Skills in Seconds from a Single Human Video“ (arXiv, 2026)
[2] Amt für Veröffentlichungen der EU: Verordnung (EU) 2023/1230 über Maschinen
