Der humanoide Roboterfußball ist gerade zum ehrlichsten Maßstab der Branche geworden

Drei Zahlen aus einem Labor in Peking sagen mehr über den Stand der humanoiden Robotik aus als jede Keynote, die in diesem Jahr gehalten wurde. Eine Reduzierung des Fehlers bei der Ballverfolgung um 46 Prozent. Eine Verkürzung der Zeit, die ein Roboter benötigt, um einen Schuss auszurichten, um 64 Prozent. Eine Erfolgsquote von rund 90 Prozent bei Schüssen aus der vorderen Hälfte des Fußballfeldes, erzielt von einer Maschine, die gelernt hat, das Sehen, Laufen und Schießen als einen einzigen Reflex und nicht als separate Softwaremodule zu koordinieren.

Die Arbeit hinter diesen Zahlen erschien am 19. August in „Science Robotics“ auf dem Titelblatt der Sonderausgabe der Zeitschrift zum Thema humanoide Roboter. Forscher des Fachbereichs Automatisierung der Tsinghua-Universität haben gemeinsam mit Partnern von ByteDance Seed und der Chinesischen Agraruniversität einen humanoiden Roboter mithilfe eines Controllers für bestärkendes Lernen darauf trainiert, einem sich bewegenden Ball nachzulaufen und ihn zu schießen; anschließend wurde das System auf physischen Robotern ausgeführt, ohne dass eine Feinabstimmung unter realen Bedingungen erforderlich war.

Die Hardware stammte von Booster Robotics, einem Unternehmen aus Peking, das humanoide Plattformen für Entwickler statt für die Fabrikarbeit herstellt. Sein Modell T1 hat sich zur Standardmaschine im wettkampforientierten Roboterfußball entwickelt, sein neues Flaggschiff T2 Pro ist mit einem NVIDIA-Thor-Chip ausgestattet, der eine Rechenleistung von 2.070 Billionen Operationen pro Sekunde aufweist, und sein Einstiegsmodell K1 ist ab 5.999 US-Dollar erhältlich – ein Preis, der eher dem eines Gaming-PCs als dem eines Industrieroboters entspricht. In am 31. August veröffentlichten Interviews erläuterten der Hauptautor der Studie, Yushi Wang, und der korrespondierende Autor, Professor Mingguo Zhao, warum sie das System so aufgebaut haben, wie sie es taten – und ihre Antworten sind für jeden von Bedeutung, der humanoide Roboter für den realen Arbeitseinsatz bewertet.

Das Reflex-Problem, das modulare Software nie gelöst hat

Seit Jahrzehnten wird die Autonomie von Robotern wie ein Staffellauf aufgebaut. Eine Kamera liefert Daten an einen Detektor, der Detektor an einen Zustandsschätzer, der Schätzer an einen Planer, und der Planer gibt Anweisungen an einen Gangsteuerer weiter. Jede Übergabe kostet Millisekunden, und jedes Modul vertraut darauf, dass das vorhergehende Modul die Wahrheit gesagt hat. Auf einem Fußballfeld kann man keinem von ihnen trauen. Der Ball verschwimmt, wenn der Kopf des Roboters

Bewegungen, Scheinwerferlicht lässt die weißen Sechsecke verschwimmen, und das Bein eines Gegners verdeckt das Ziel genau im falschen Moment.

Zhao, der seit Jahren Mannschaften beim RoboCup aufstellt – dem internationalen Roboterfußballwettbewerb, der seit 1997 als Maßstab für Autonomie gilt –, beschreibt den Sport als eine komprimierte Version aller schwierigen Probleme bei verkörperten Maschinen. Der Roboter muss, wie er es ausdrückt, „einen sich bewegenden Ball wahrnehmen, dessen Position relativ zum Tor erfassen, seinen gesamten Körper bewegen, das Gleichgewicht halten und präzisen Kontakt mit dem Ball herstellen“ – und all dies muss er gleichzeitig mithilfe seiner integrierten Sensoren und Rechenleistung bewältigen, ohne dass ein Ingenieur ihn während des Spiels berühren darf.

Sequentielle Verarbeitungsketten reagieren auf diesen Druck mit Verzögerungen. Das Wahrnehmungsmodul meldet die Daten, der Planer überlegt, und bis der Fuß zum Schlag ausholt, hat sich der Ball bereits bewegt. Die Lösung des Tsinghua-Teams bestand darin, Sehen und Bewegung nicht mehr als getrennte Bereiche zu behandeln. Wie Wang es ausdrückt: „Wir wollten, dass der Roboter lernt, durch seine eigene Bewegung auf visuelle Informationen zu reagieren.“ Ein einziges Netzwerk erlernt den gesamten Ablauf: den Ball suchen, die Distanz überbrücken, den Gang anpassen, den Körper ausrichten, schießen.

Eintraining der blinden Flecken in den Simulator

Das Framework basiert auf drei Designentscheidungen. Die erste ist diese Kopplung: Wahrnehmung und Steuerung werden unter einem einzigen Ziel des verstärkenden Lernens optimiert, anstatt dass zwei Systeme über eine Schnittstelle miteinander verhandeln. Die zweite ist eine Erweiterung der „adversarial motion priors“ – einer Technik, die dafür sorgt, dass erlernte Bewegungen natürlich und nicht ruckartig wirken – auf Situationen, in denen der Roboter auf Live-Kamera-Eingaben reagieren muss. Die dritte ist ein Encoder-Decoder-Speicher, der eine Sekunde an Beobachtungen – 50 Einzelbilder – zu einer 64-dimensionalen Zusammenfassung der Umgebung komprimiert, aus der das System rekonstruiert, wo sich der Ball befindet und wohin er fliegt, selbst wenn das Schienbein eines Verteidigers die Sicht versperrt.

Das Training fand vollständig in der Simulation statt, und der Simulator war darauf ausgelegt, zu täuschen. Das Team verpackte die

Lernprozess in einem virtuellen Wahrnehmungssystem, das das, was der Roboter sieht, bewusst durch Erkennungsfehler, Sensorrauschen, Latenz, ein eingeschränktes Sichtfeld und schwankende Bildraten verfälscht. Ein Roboter, der unter diesen Bedingungen lernt, betrachtet unvollkommene Sicht als Normalfall und nicht als Ausnahme, die durch eine Ausweichroutine behandelt werden muss. Das veröffentlichte Ergebnis ist ein „Zero-Shot“-Transfer: Strategien wurden ohne Anpassungen auf der Hardware von der Simulation auf physische Booster-T1-Einheiten übertragen und übertrafen die regelbasierte Basislinie um die im ersten Absatz genannten Margen.

Es gibt eine leicht verständliche Art, zu erkennen, was sich geändert hat. Ein menschlicher Stürmer berechnet nicht die Koordinaten des Balls, wählt einen Bewegungsplan aus und führt dann einen Schuss aus – als drei separate, abrechnungsfähige Phasen. Das Sehen fließt in den Schritt ein, und die Anpassung erfolgt in den Beinen, noch bevor es überhaupt zu einer bewussten Entscheidung kommt. Das ist das Verhalten, das dieser Controller lernt, und es ist der Grund, warum sich die Roboter kohärent erholen, wenn der Ball kurzzeitig verschwindet, anstatt zu erstarren, während sich das Software-Komitee erneut berät.

Die 5.999-US-Dollar-Maschine unter fast jedem Trikot

Die weniger beachtete Geschichte in der Veröffentlichung steht auf den Trikots der Roboter. Nach Boosters eigenen Angaben setzten 38 der 59 Mannschaften in der Humanoid-Liga des RoboCups im Juli dessen Plattformen ein, und mit Booster ausgestattete Teams holten in jeder Humanoid-Division die Goldmedaille. Wang selbst ist Kapitän der Huoshen-Mannschaft der Tsinghua-Universität, die im Juli ihren RoboCup-Humanoid-Titel mit derselben Hardware verteidigte. Einen Monat später, bei den Spielen in Peking, bei denen die Serienroboter von AGIBOT die Medaillenrangliste anführten, gaben nach Angaben des Unternehmens 92 Prozent der Teams in den Fußballwettbewerben – insgesamt 56 – an, auf Booster-Maschinen gespielt zu haben.

Diese Konzentration ist ein Geschäftsmodell,

Das ist kein Zufall. Booster vermarktet den Forschungsmarkt so, wie Gerätehersteller einst Oszilloskope vermarkteten: Indem man in jedes Labor eine erschwingliche, langlebige und gut dokumentierte Plattform bringt, lernen die Talente des Ökosystems, in Ihrer Toolchain zu denken. Das Unternehmen bietet „Booster Studio“ an, eine integrierte Entwicklungsumgebung, die genau auf den Workflow von der Simulation bis zur Hardware zugeschnitten ist, den die Veröffentlichung in „Science Robotics“ bestätigt. Jeder Doktorand, der heute eine Policy auf einem T1 trainiert, ist morgen ein Personalverantwortlicher, der Booster-kompatible Stacks vorschreibt. Das akademische Podium ist die Spitze des Verkaufstrichters.

Für Käufer, die den Humanoid-Sektor im Blick haben, ist dies die Kennzahl, die es zu verfolgen gilt. Die Standardisierung von Plattformen in der Forschung ging historisch gesehen der kommerziellen Konsolidierung voraus, da sich Software, Datensätze und motorisches Gedächtnis dort ansammeln, wo sich die Hardware befindet. Ein Anbieter, dessen Maschinen zwei Drittel des RoboCup-Feldes und neun Zehntel der Fußball-Turniergruppe in Peking stellen, ist noch kein Anbieter von einsatzfähigen Fabrik-Humanoiden. Er ist jedoch dort positioniert, wo die nächsten tausend Robotikingenieure ausgebildet werden.

Was eine Schussquote einem Käufer nicht verrät

Der Gegenpol verdient gleiches Gewicht. Ein Fußballfeld ist eben, im Vergleich zu einer Laderampe in der Dämmerung gleichmäßig beleuchtet, durch aufgemalte Linien begrenzt und unterliegt Regeln, die sich während des Spiels niemals ändern. Eine 90-prozentige Schusserfolgsquote in den vorderen Feldpositionen ist ein echter Meilenstein in der Forschung und eine bedeutungslose Zahl für die Beschaffung. Nichts in diesem Artikel bescheinigt einem Humanoiden die Fähigkeit, Behälter zu kommissionieren, Maschinen zu bedienen oder sich einen Gang mit Gabelstaplern zu teilen, und die Autoren behaupten auch nichts anderes. Der T1 ist eine Plattform für Forschungszwecke, keine industrielle Lastmaschine.

Was sich übertragen lässt, ist die Methode, nicht die Fertigkeit. Zhao schlägt selbst die Verbindung her: Die Fähigkeiten, die der Sport vereint – „Ganzkörperkoordination, visuelle Wahrnehmung, schnelle Entscheidungsfindung, Wiederherstellung des Gleichgewichts und reaktive Bewegung“ – sind auch für humanoide Roboter wichtig, die in alltäglichen Umgebungen eingesetzt werden. Sein Hauptautor weist auf dasselbe hin

Richtung und erklärte, dass sich die Kopplung von Wahrnehmung und Handlung auf „Navigation, Interaktion mit Objekten und mobile Manipulation“ erstrecke. Eine objektive Interpretation lautet, dass es sich hierbei um einen Nachweis der Trainierbarkeit unter realistischen Bedingungen sensorischer Ausfälle handelt, veröffentlicht in einer begutachteten Fachzeitschrift mit messbaren Spielräumen und auf Hardware, die jeder erwerben kann. Dieser letzte Satz hat an sich schon kommerzielles Gewicht. „Zero-Shot-Transfer“ bedeutet, dass der aufwendige Teil der Arbeit – das Training unter Bedingungen gestörter Wahrnehmung – in der Software erfolgt, und ein Labor, das dieselbe Plattform erwirbt, erhält einen validierten Weg vom Simulator bis zum Einsatz vor Ort, anstatt ein maßgeschneidertes Integrationsprojekt durchführen zu müssen.

Der Maßstab, auf den es in der humanoiden Robotik ankommt, ist nicht mehr, wie schnell ein Roboter auf einer Bühne läuft. Es geht vielmehr darum, wie sinnvoll sich der Roboter in den Sekunden bewegt, in denen seine Augen versagen. Beschaffungsteams, die in den nächsten zwei Jahren Anbieter von humanoiden Robotern bewerten, sollten sich im Geiste an das Tsinghua-Testprotokoll orientieren: Fragen Sie, wie sich das System bei Sichtbehinderungen, Blendung und Bildausfällen verhält, und fragen Sie, ob die Demonstration auch unter Bedingungen funktioniert, die der Anbieter nicht inszeniert hat. Eine Maschine, die bisher nur einwandfreie Eingaben gesehen hat, ist eine Maschine, die noch nie im Freien war.

Das eigene Demonstrationsmaterial des Forschungsteams verdeutlicht dies ohne Kommentar. Ein T1 in einem roten Spieltrikot überquert eine gewöhnliche Laufbahn im Freien in Peking, passt seine Schrittlänge an, während der Ball rollt, und schießt auf ein tragbares Tor – Bild für Bild, unter den Lichtverhältnissen, die der Nachmittag gerade bot. Keine Bühne, keine Leine, keine zweite Aufnahme. Der Moment, in dem ein Kunststück zum Werkzeug wird, sieht genau so unscheinbar aus – und er ziert das Titelblatt von „Science Robotics“.

Diese Analyse fasst die begutachtete Veröffentlichung in „Science Robotics“, öffentliche Stellungnahmen des Forschungsteams sowie Unternehmensangaben von Booster Robotics zusammen; die Zahlen entsprechen dem Stand dieser Quellen zum 1. September 2026.

Bild: Forschungsdemonstration der Tsinghua-Universität / Booster Robotics, über die Association for Advancing Automation.

Dieser Artikel

dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Beschaffungs-, Rechts- oder technische Beratung dar.