Das Technologieunternehmen MindOn hat eine neue Demonstration veröffentlicht, die zwei Unitree G1 Humanoiden und zwei fest installierte Doppelarmroboter bei der Zusammenarbeit in einem Logistik-Workflow zeigt. Das Besondere daran: Alle Roboter werden von einem einzigen, einheitlichen KI-Modell gesteuert, das ausschließlich mit menschlichen Daten trainiert wurde. Diese Entwicklung markiert einen wichtigen Schritt in der Automatisierung heterogener Roboterflotten.
Wichtige Erkenntnisse
- MindOn steuert unterschiedliche Roboter (Humanoiden und Doppelarmroboter) mit einem einzigen KI-Modell.
- Die KI namens "Mind-0" wurde ausschließlich mit menschlichen Daten trainiert, ohne robotspezifische Teleoperation.
- Eine getrennte Architektur aus Hoch- und Niedrig-Level-Controllern ermöglicht die Hardware-Unabhängigkeit.
- Ein Kompensationsmodell überbrückt die Lücke zwischen Simulation und Realität und erreicht hohe Präzision.
- Die Strategie zielt auf eine hardware-agnostische KI für vielfältige Roboteranwendungen ab.
Einheitliche KI für vielfältige Roboterflotten
Die aktuelle Demonstration von MindOn Robotics zeigt eine komplexe Logistikkette. Zwei Unitree G1 Humanoide entnehmen Gegenstände aus Regalen und transportieren sie. Anschließend übernehmen zwei stationäre Doppelarmroboter das präzise Verpacken und Versiegeln der Kisten entlang eines Förderbandes. Die visuelle Darstellung der kooperierenden Roboter unterschiedlicher Bauart ist beeindruckend.
Die eigentliche Innovation liegt jedoch in der Software. MindOn behauptet, dass dieses gesamte heterogene System von einem einzigen KI-Modell angetrieben wird. Dieses Modell wurde ausschließlich auf menschlichen Daten trainiert. Es sind keine aufgabenbezogenen, von Robotern gesammelten Daten oder Teleoperationen erforderlich.
Faktencheck
- Roboter im Einsatz: Unitree G1 Humanoide und stationäre Doppelarmroboter.
- Aufgabe: End-to-End-Logistik-Workflow inklusive Greifen, Transportieren, Verpacken und Versiegeln.
- KI-Modell: Ein einziges, einheitliches Modell namens "Mind-0".
- Trainingsdaten: Ausschließlich menschzentrierte Daten (egozentrisch, Ganzkörper-Motion-Capture).
- Präzision: Sub-1 cm Manipulationsgenauigkeit auf dem Unitree G1.
Die Herausforderung der Heterogenität
Die Robotikbranche strebt nach allgemeintauglichen Humanoiden. MindOn argumentiert jedoch, dass reale Umgebungen eine vielfältige Mischung aus Roboterhardware erfordern. Humanoide bieten die nötige Mobilität, um sich in menschenzentrierten Räumen zu bewegen. Stationäre Doppelarmroboter hingegen liefern die Präzision, Effizienz und Wiederholbarkeit, die für strukturierte Manipulationsaufgaben wie Sortieren und Verpacken entscheidend sind.
Diese notwendige Vielfalt führt traditionell zu einem erheblichen Skalierungsengpass. Jede einzigartige Roboterplattform erforderte bislang eine eigene spezialisierte Datenerfassung, Modellierung und Trainingspipeline. Dies machte es extrem schwierig, Fähigkeiten zwischen verschiedenen Maschinen zu übertragen. MindOn hat dafür eine Lösung entwickelt.
Architektur für Hardware-Unabhängigkeit
Um dieses Problem zu lösen, hat MindOn seine Softwarearchitektur in zwei unterschiedliche Schichten unterteilt. Ein Hoch-Level-Modell kümmert sich um das Szenenverständnis, die Aufgabenlogik und die Verhaltensgenerierung. Ein separater Niedrig-Level-Controller übersetzt diese kognitiven Absichten in physische Ausführung. Er verwaltet die spezifischen Dynamiken und Einschränkungen der Hardware, auf der er eingesetzt wird. Dies entkoppelt die Intelligenz von der physischen Ausprägung des Roboters.
Der Ansatz mit menschlichen Daten
Die meisten führenden Robotiklabore setzen derzeit auf umfangreiche Teleoperation. Dabei steuert ein Mensch manuell einen Roboter, um Daten für das Training autonomer Richtlinien zu sammeln. MindOn kritisiert diesen Ansatz als grundlegend eingeschränkt. Menschliche Bediener müssen sich bei der Teleoperation an die Latenz, die Sensorikgrenzen und die kinematischen Einschränkungen des Roboters anpassen.
Die so gesammelten Daten spiegeln oft vorsichtige, unnatürliche Bewegungen wider. Sie zeigen nicht die flüssige Effizienz eines Menschen, der die Aufgabe auf natürliche Weise löst. MindOn trainiert seine Modelle stattdessen mit "menschenzentrierten Daten". Diese werden durch Ganzkörper-Motion-Capture, Handgeräte und egozentrische Kameras erfasst. Auf diese Weise lernt die KI die zugrunde liegende Struktur einer Aufgabe direkt aus menschlichem Verhalten, anstatt zu lernen, wie eine bestimmte Maschine sie ausführen musste.
"Unsere Strategie ist es, eine hardware-agnostische KI zu entwickeln, die die Komplexität menschlicher Aufgaben direkt aus menschlichen Demonstrationen lernt", erklärt Qingxu Zhu, Gründer von MindOn Robotics.
Hintergrund: MindOn Robotics
MindOn Robotics wurde im Mai 2025 in Shenzhen gegründet. Das Unternehmen erregte erstmals im November 2025 Aufsehen mit einem viralen Video. Es zeigte einen Unitree G1, der komplexe Haushaltsaufgaben ohne Beschleunigung oder Teleoperation meisterte. Während diese erste Demonstration die komplexe Lokomotion und Manipulation eines einzelnen Roboters hervorhob, unterstreicht der neue Logistikfokus den Ehrgeiz des Unternehmens, eine universell einsetzbare, hardware-agnostische KI zu schaffen.
Überwindung der Ausführungslücke
Die Übertragung flüssiger menschlicher Bewegungen in ausführbare Roboteraktionen ist notorisch schwierig. Dies liegt an den großen Unterschieden in Kinematik, Arbeitsbereichen und physischen Fähigkeiten. Eine direkte Nachahmung ist unmöglich. MindOn hat daher mehrere technische Brücken eingeführt.
Eine "Cross-Embodiment Data Pipeline" fungiert als Übersetzer. Sie wandelt großformatige menschliche Demonstrationen in Aktionsrepräsentationen um, die verschiedene Roboter verstehen können. Als Grundlage dient ein Ganzkörper-Aktionsmodell. Es verwaltet die Niedrig-Level-Verfolgung und wurde auf Zehntausenden Stunden Motion-Capture-Daten trainiert. Dadurch wird sichergestellt, dass die Roboter physische Machbarkeit und Balance beibehalten.
Präzision in der Realität
Um die unvermeidliche Lücke zwischen Simulation und Realität zu überwinden, setzt das Unternehmen ein leichtes Kompensationsmodell ein. Dieses wird mit einer geringen Menge an realen Einsatzdaten trainiert. MindOn berichtet, dass dieses Kompensationsmodell Tracking-Fehler und Dynamik-Fehlanpassungen korrigiert. So wird eine Manipulationsgenauigkeit von unter 1 cm auf dem Unitree G1 erreicht. Dies ist bemerkenswert, da der Unitree G1 normalerweise für seine relativ begrenzte Armpräzision bekannt ist.
Das System verwendet außerdem einen hierarchischen Denkrahmen, um die physikalische Latenz bei der Roboterausführung zu berücksichtigen. Menschliche Daten sind natürlich verzögerungsfrei. Eine direkte Nachahmung auf physischer Hardware führt zu Synchronisationsproblemen. Die Hoch-Level-Richtlinie von MindOn überwacht kontinuierlich Echtzeit-Feedback von den Niedrig-Level-Systemen des Roboters. Sie passt ihre Befehle adaptiv an, um trotz mechanischer Verzögerungen eine konsistente Ausführung zu gewährleisten.
Die Zukunft der Roboterintelligenz
MindOn plant, seine menschenzentrierten Datensätze weiter zu skalieren. Auch die Ausweitung des Einsatzes auf zusätzliche Formfaktoren, einschließlich mobiler Doppelarmsysteme, steht auf der Agenda. Das Versprechen eines universellen Roboter-"Gehirns", das rein mit menschlichen Daten trainiert wird, stellt eine ehrgeizige Abkehr von den heute im Sektor dominierenden, stark teleoperationsgestützten Pipelines dar.
Wenn MindOn diesen Ansatz über kontrollierte Logistikdemonstrationen hinaus zuverlässig skalieren kann, könnte dies einen hocheffizienten Weg für den Einsatz gemischter Roboterflotten in kommerziellen und industriellen Umgebungen bieten. Dies würde die Automatisierung in vielen Bereichen erheblich vorantreiben und die Interaktion zwischen Mensch und Maschine neu definieren.
