RobotAIGeek

RLWRLD und CJ Logistics setzen auf eine für Lagerumgebungen trainierte Roboter-KI

Das Start-up RLWRLD aus Seoul unterzeichnete eine Absichtserklärung (MOU) mit CJ Logistics zur Kommerzialisierung eines auf Geschicklichkeit ausgerichteten Roboter-Grundmodells, das anhand von mit Körperkameras aufgezeichneten Arbeiterbewegungen trainiert wurde. Zunächst sollen in Korea Tests zum Einsatz in Lagerhäusern durchgeführt werden, bevor eine Expansion ins Ausland erfolgt.

martti
2 Min. LesezeitPosted: 22. Sept. 2026
RLWRLD und CJ Logistics setzen auf eine für Lagerumgebungen trainierte Roboter-KI

Die südkoreanische Logistikbranche hat ein spezifisches Problem, das die meisten Anbieter von Lagerrobotern lieber nicht öffentlich machen würden: Die Kartons verhalten sich nie wie erwartet. In einer einzigen Schicht müssen unter Umständen unregelmäßige Erzeugnisse, in Schrumpffolie verpackte Bündel, lose Bekleidung und kompakte Elektronikgeräte innerhalb desselben Gangs gehandhabt werden, wobei sich die Arbeitsbedingungen – Beleuchtung, Stapelhöhe, Unordnung auf dem Boden sowie der Wechsel von einer Aufgabe zur nächsten – ständig ändern. Am Montag, dem 21. September, unterzeichneten das in Seoul ansässige Physical-AI-Start-up RLWRLD und CJ Logistics, Südkoreas größter integrierter Logistikdienstleister, eine Absichtserklärung zur gemeinsamen Entwicklung eines logistik-spezifischen Robotik-Grundmodells und dessen kommerziellen Einsatz, zunächst in Korea und anschließend auf ausländischen Märkten. Dabei setzen sie darauf, dass die Bewältigung der Variabilität in Lagerhäusern ein tragfähigeres Geschäftsmodell darstellt als die Verfolgung weiterer humanoider Demo-Videos.

RLWRLD ist ein drei Jahre altes Start-up, das 2024 von Geschäftsführerin Jung-hee Ryu gegründet wurde, deren vorheriges Unternehmen Olaworks von Intel übernommen wurde – Berichten zufolge handelte es sich dabei um die erste Übernahme eines koreanischen Start-ups durch den Chip-Riesen. Zu Ryus Gründungsteam gehört Jinwoo Shin, Lehrstuhllehrer an der KAIST, als Chefwissenschaftler, wodurch das Unternehmen neben seiner kommerziellen Roadmap auch über eine akademische Forschungspipeline verfügt; zudem hat das Start-up bis heute rund 60 Milliarden Won – etwa 42 Millionen US-Dollar – an Startkapital eingeworben. Sein Kernprodukt ist RLDX-1, ein Open-Source-Grundmodell für die Robotik mit 8,1 Milliarden Parametern, das auf dem von RLWRLD als „Multi-Stream Action Transformer“ bezeichneten Konzept basiert – einer Architektur, die Bild-, Bewegungs-, Gedächtnis- und Drehmomentsignale als separate Ströme verarbeitet, bevor es diese zu einer einzigen Aktionsentscheidung zusammenführt – ein Ansatz, der speziell darauf abzielt, Roboterhänden jene Feinmotorik zu verleihen, die die meisten humanoiden Plattformen außerhalb eines Labors noch immer nur schwer zuverlässig demonstrieren können.

Woher die Trainingsdaten tatsächlich stammen

Das Besondere am Ansatz von RLWRLD ist nicht allein die Modellarchitektur, sondern die Art und Weise, wie das Unternehmen seine Trainingsdaten aufbaut

Daten. Anstatt sich in erster Linie auf Simulations- oder Fernsteuerungsanlagen zu stützen, hat RLWRLD menschliche Mitarbeiter mit Körperkameras ausgestattet, um die genauen Bewegungen bei bestimmten körperlichen Aufgaben zu erfassen. Dieser Ansatz wurde bereits bei Mitarbeitern von CJ Logistics bei der Lagerabwicklung sowie bei Mitarbeitern der japanischen Convenience-Store-Kette Lawson beim Anordnen von Lebensmitteldisplays umgesetzt; darüber hinaus läuft derzeit ein separates, auf das Gastgewerbe ausgerichtetes Erfassungsprogramm in Zusammenarbeit mit Lotte Hotel. Dieses Detail rückt die Ankündigung vom Montag in ein neues Licht: Es handelt sich nicht um zwei Unternehmen, die gemeinsam zum ersten Mal eine unerprobte Idee erproben, sondern um eine formelle Kommerzialisierungsvereinbarung, die auf einer bereits von CJ Logistics unterstützten Zusammenarbeit zur Datenerfassung aufbaut. Die Absichtserklärung verpflichtet beide Seiten dazu, spezifische Logistikprozesse für einen ersten RFM-Einsatz auszuwählen, Proof-of-Concept-Tests durchzuführen, um zu überprüfen, ob die zentralen Roboterbewegungen des Modells in einer realen Arbeitsumgebung funktionieren, und anschließend das Aufgabenspektrum zu erweitern sowie die Leistung auf der Grundlage der Testergebnisse zu verbessern – mit dem erklärten langfristigen Ziel, das von den Unternehmen als „Logistics as a Service“ bezeichnete Konzept zu kommerzialisieren.

CJ Logistics, Teil der hundertjährigen CJ Group und 1930 gegründet, ist kein unbedeutender Partner, mit dem ein Start-up in der Frühphase Verhandlungen führen würde. Das Unternehmen betreibt ein integriertes Logistiknetzwerk, das Kontraktlogistik, Spedition, Seetransport und Paketzustellung umfasst, und hat laut RLWRLDs Darstellung der Partnerschaft den Einsatz physischer KI im Live-Betrieb bereits ausgeweitet – einschließlich des Einsatzes von KI-gesteuerten humanoiden Robotern in tatsächlichen Arbeitsabläufen und nicht nur in Pilotdemonstrationen. Für RLWRLD bedeutet dies, dass das Start-up etwas erhält, was eine wissenschaftliche Veröffentlichung über ein Grundmodell nicht bieten kann: eine Produktionsumgebung, in der ein Robotermodell innerhalb der Schichtpläne, Sicherheitsvorschriften und Durchsatzziele eines anderen Unternehmens funktionieren muss – und nicht in einem kontrollierten Labor, in dem Fehler keine betrieblichen Kosten verursachen.

Die Benchmark-Werte hinter der Behauptung zur Geschicklichkeit

RLWRLD hat

veröffentlichte Benchmark-Vergleiche für RLDX-1, die – sofern sie einer unabhängigen Überprüfung standhalten – eine deutliche Kluft zwischen diesem Modell und den bekanntesten Alternativen der Branche schaffen würden. Bei humanoiden Manipulationsaufgaben im Vergleich zu ALLEX erreicht RLDX-1 nach Angaben des Unternehmens eine Erfolgsquote von fast 90 Prozent, während das pi-0.5-Modell von Physical Intelligence und das GR00T N1.6-Modell von NVIDIA beide unter 30 Prozent blieben, und das Unternehmen gibt an, speziell bei „Pick-and-Place“-Aufgaben auf Förderbändern einen Vorsprung von 37,5 Prozentpunkten gegenüber GR00T N1.6 zu haben, zusammen mit einem Anstieg der durchschnittlichen Erfolgsquote um etwa 9 Prozent bei Manipulations-Benchmarks auf dem Tisch. Es handelt sich hierbei um die von RLWRLD selbst gemeldeten Zahlen und nicht um einen unabhängig geprüften Vergleich; zudem sind Benchmarks zur geschickten Handhabung bekanntermaßen sehr empfindlich hinsichtlich der Aufgabenauswahl und des Bewertungsaufbaus, sodass ein Beschaffungsteam diesen Abstand eher als richtungsweisend denn als feststehende Rangfolge betrachten sollte. Was die Zahlen dennoch ernst nehmen lässt, ist ihre Herkunft: Es handelt sich um ein Modell, das im Wesentlichen anhand von Körperkameraaufnahmen realer menschlicher Aufgabenausführung trainiert wurde – und nicht allein anhand synthetischer Simulationsdaten –, und das genau auf jene Art unregelmäßiger, kontaktreicher Handhabungsaufgaben abzielt, die in der Lagerarbeit erforderlich sind und mit denen simulationstrainierte Modelle in der Vergangenheit schlecht zurechtkamen.

Was eine „Korea zuerst, Export danach“-Strategie signalisiert

Beide Unternehmen betrachten die in Korea durchgeführten Arbeiten als Grundlage für die Identifizierung gemeinsamer Geschäftsmöglichkeiten im Ausland und nicht als Endziel an sich. RLWRLD erklärte, es beabsichtige, sein globales Partnernetzwerk – zu dem bereits eine öffentliche Partnerschaft mit NVIDIA sowie die veröffentlichte DexBench-Initiative zur Festlegung von Branchen-Benchmarks für humanoide Geschicklichkeit gehören – mit den Kommerzialisierungs- und Marktexpansionsfähigkeiten von CJ Logistics zu kombinieren, um Markteinführungsmaßnahmen und strategische Allianzen über Korea hinaus voranzutreiben. Diese Reihenfolge ist entscheidend dafür, wie ein Logistikeinkäufer aus dem Westen oder dem Nahen Osten diese Ankündigung interpretieren sollte: Es handelt sich nicht um eine Produktpräsentation

Noch ist das System nicht bereit für den internationalen Versand, doch es ist ein Zeichen dafür, dass ein bestimmter technischer Ansatz – nämlich die Verwendung von Trainingsdaten, die von Mitarbeitern erfasst wurden und auf ein „Dexterity-First“-Grundmodell angewendet werden – zunächst in einer der anspruchsvollsten realen Logistikumgebungen validiert wird, bevor RLWRLD versucht, ihn anderweitig zu vermarkten.

RLWRLDs eigene Darstellung der Partnerschaft macht die zugrunde liegende These deutlich: Daten aus der realen Welt müssen in die Modellentwicklung zurückfließen, damit physische KI den Sprung von Labordemonstrationen hin zum produktiven Einsatz an tatsächlichen Industriestandorten schaffen kann – und das tägliche Durchsatzproblem eines Lagerbetreibers ist ein aussagekräftigerer Test für diese These als eine weitere inszenierte Bühnendemonstration. Dies ist eine pointierte Behauptung in einer Branche, in der ein großer Teil der veröffentlichten Fortschritte bei humanoiden Robotern nach wie vor auf Simulations-Benchmarks und Pilotvideos von einzelnen Standorten beruht und nicht auf Daten aus einem nachhaltigen Einsatz an mehreren Standorten – und sie stellt die Glaubwürdigkeit von RLWRLD auf die Probe: CJ Logistics ist kein Forschungspartner, der ein unbefristetes Pilotprojekt auf unbestimmte Zeit tolerieren wird, und der Wortlaut der Absichtserklärung selbst – wonach die Leistung vor einer Ausweitung des Umfangs getestet werden soll – deutet darauf hin, dass beide Seiten erwarten, dass die Proof-of-Concept-Phase ein klares „Bestanden“- oder „Nicht bestanden“-Signal liefert, anstatt einer ausgedehnten „Flitterwochenphase“.

Ein überfülltes Feld von Grundmodellen, die denselben Lagerbereich anstreben

RLDX-1 steigt in einen Wettlauf um Fundamentmodelle ein, an dem bereits kapitalstarke Konkurrenten mit sehr unterschiedlichen Datenstrategien teilnehmen. Sowohl die GR00T-Reihe von NVIDIA als auch die Modelle der pi-Serie von Physical Intelligence stützen sich stark auf Simulations- und Teleoperationsdaten und generieren Trainingsbeispiele schneller und kostengünstiger, als es die Aufzeichnung realer Arbeiter mittels Körperkameras jemals könnte – allerdings auf Kosten einer anhaltenden Kluft zwischen Simulation, die sich gerade bei den unregelmäßigen, kontaktintensiven Handhabungsaufgaben zeigt, die die Arbeit im Lager erfordert. RLWRLD setzt darauf, dass langsamere, teurere, von Menschen stammende Daten diese Lücke schneller schließen als zusätzliches Simulationsvolumen, und die Partnerschaft mit CJ Logistics ist der

Ein Mechanismus, um diese Wette in einem Umfang zu testen, den sich kein Start-up mit Startkapital sonst leisten könnte: der Zugang zu einem funktionierenden nationalen Logistiknetzwerk anstelle einer gemieteten Lagerfläche für ein einziges Pilotvideo. Ob dieses Argument der Datenqualität gegenüber Wettbewerbern mit um eine Größenordnung höherem Kapital Bestand hat – schließlich ist allein das GR00T-Programm von NVIDIA Teil eines Unternehmens mit einer Marktkapitalisierung in Billionen US-Dollar –, ist die offene Frage, die ein Investor der Serie A oder Serie B, der RLWRLD bewertet, vor einer Entscheidung geklärt haben müsste.

Der Zeitpunkt fällt zudem in eine breitere koreanische Initiative, eine heimische Industrie für physische KI aufzubauen, anstatt diese in großem Umfang zu importieren. Samsung Electronics hat Rainbow Robotics in eine eigene Robotik-Sparte integriert, die direkt an den Vorstandsvorsitzenden berichtet, und die südkoreanische Regierung hat humanoide und Logistikrobotik in diesem Jahr als strategischen Schwerpunktbereich eingestuft. Sie veranstaltet öffentliche Gipfeltreffen und fördert Programme, die darauf abzielen, koreanischen Robotik- und Foundation-Model-Start-ups eine heimische Kundenbasis zu verschaffen, bevor sie im Ausland um Aufträge konkurrieren. Die Vereinbarung von RLWRLD mit CJ Logistics passt genau in dieses Muster: Ein national führendes Logistikunternehmen stellt die Einsatzumgebung bereit, die ein Start-up benötigt, um seine Technologie ausgereift zu entwickeln, während das Start-up dem national führenden Unternehmen eine im Inland entwickelte Alternative zur Lizenzierung von Foundation-Model-Technologie von einem US-amerikanischen oder chinesischen Anbieter bietet. Für eine Regierung, die der Abhängigkeit der Lieferketten in der KI-Infrastruktur zunehmend Aufmerksamkeit schenkt, hat diese gegenseitige Vereinbarung ein strategisches Gewicht, das eine rein kommerzielle Partnerschaft nicht aufweisen würde.

Warum dies über einen einzelnen koreanischen Lagervertrag hinaus von Bedeutung ist

Für einen globalen Logistikeinkäufer, der Anbieter von physischer KI bewertet, ist die Vereinbarung zwischen RLWRLD und CJ Logistics gerade deshalb ein nützlicher Anhaltspunkt, weil sie eng gefasst ist. Sie verspricht keinen universell einsetzbaren Lagerroboter, der für den internationalen Einsatz bereit ist; sie verspricht vielmehr einen strukturierten Test, ob ein auf Geschicklichkeit ausgerichtetes Basismodell, das auf

Die erfasste menschliche Bewegungsabfolge kann das spezifische Chaos in der Logistikhalle eines Betreibers bewältigen, wobei die internationale Expansion ausdrücklich zurückgestellt wird, bis dieser Test Ergebnisse liefert. Käufer, die beobachtet haben, wie Anbieter humanoider Roboter auf der Grundlage einer einzigen Messevorführung umfassende Logistikfähigkeiten versprochen haben, haben allen Grund, diese Art von inszeniertem, auf den Einsatz ausgerichteten Engagement als das glaubwürdigere Signal zu betrachten – nicht, weil die Benchmark-Werte des RLDX-1 unabhängig verifiziert sind, sondern weil die Struktur des Geschäfts selbst – zunächst der Proof-of-Concept, die Ausweitung des Anwendungsbereichs an zweiter Stelle und den Export an dritter Stelle) der Art entspricht, wie physische KI-Systeme tatsächlich Vertrauen in einem Lager gewinnen – und nicht der Art, wie sie auf einer Konferenzbühne Aufmerksamkeit erregen.

Dieser Bericht fasst Unternehmensangaben und öffentliche Berichterstattung zur im September 2026 angekündigten Partnerschaft zwischen RLWRLD und CJ Logistics zusammen. Er dient ausschließlich allgemeinen Informationszwecken und stellt keine Anlage-, Finanz- oder Rechtsberatung dar.

Bildnachweis für das Titelbild: Yonhap.