KAIST-Humanoide schiebt 35 kg und hebt 20 kg im Gehen — gesteuert allein über die Bordkameras
Das Dynamic Robot Control & Design Laboratory der KAIST hat ein Video von Humanoid v0.9 veröffentlicht, in dem die Maschine im Gehen Objekte von 35 kg schiebt und 20 kg hebt und dabei allein über die Rückmeldung der Bordkameras die Buchstaben K-A-I-S-T anordnet. Die Interaktionsfähigkeiten führt das Labor auf Deep Reinforcement Learning und Lernen aus menschlichen Vorführungen zurück.
Das Dynamic Robot Control & Design Laboratory der KAIST hat am 19. Oktober ein Video mit dem Titel Whole-Body Locomanipulation with KAIST Humanoid v0.9 veröffentlicht, in dem die Maschine im Gehen Objekte von bis zu 35 kg schiebt und bis zu 20 kg hebt und über die Rückmeldung der Bordkameras die Buchstaben K-A-I-S-T anordnet. Die Arme stammen von einem Kooperationspartner, RAILAB.
Der kleinere Wert verdient die Aufmerksamkeit. Ein 35-kg-Objekt über eine Fläche zu schieben verlangt vom Roboter nie, dessen Gewicht zu tragen, und der Widerstand hängt vom Kontakt ab; ein Hub von 20 kg ist ein eigener Test dafür, was die Arme halten können. Den Schubwert als Nutzlast anzugeben, überschätzt die Maschine, und beide Werte als Spezifikation zu nennen, ist verfrüht, denn das Labor stellt beide als Vorführungen dar und nicht als kommerzielle Daten.
Balance und Kraft sind jetzt dasselbe Problem
Ganzkörper-Locomanipulation bedeutet, dass Beine, Rumpf und Arme unter einer einzigen Gleichgewichtsbedingung koordiniert werden: Ein Schub über die Arme verschiebt den Massenschwerpunkt, und die Beine müssen darauf antworten. Deshalb bleibt eine Schub-Demonstration nützlich, auch wenn sie kein Nutzlasttest ist. Die Plattform v0.9 baut auf v0.7 auf, einer 75 kg schweren und 165 cm großen Maschine, die 12 km/h schnell lief und unebenes Gelände allein mit propriozeptiver Sensorik bewältigte und deren Moonwalk- und Fußball-Demos Anfang 2026 die Runde machten.
Die Autonomie-Aussage braucht eine Grenze
Der KAIST zufolge stammen die Interaktionsfähigkeiten aus Deep Reinforcement Learning zusammen mit Imitationslernen. Die Videobeschreibung führt nicht aus, wie beide Verfahren kombiniert werden und wie eine Aufgabe angewiesen wird; visuelle Rückmeldung an Bord allein sollte daher nicht als uneingeschränkte Autonomie gelesen werden. Tech Times ordnet den Schub von 35 kg als etwa das Doppelte des nächstbesten veröffentlichten Ergebnisses für einen Humanoiden ein, der über Bordkameras manipuliert — ein Vergleich, der auf der Ebene veröffentlichter Zahlen bleiben sollte.
Was v0.9 ändert: Eine Forschungsplattform, die für agiles Gehen bekannt war, verrichtet nun visuell geführte körperliche Arbeit ohne Motion-Capture-Aufbau. Ob das Bestand hat, entscheidet sich bei wiederholten Aufgaben in einer Fabrikhalle — diesen Schritt klärt kein Demovideo.
Quellen Quellen geprüft
- 1.Humanoids Daily: From Moonwalking to Heavy Lifting: KAIST Humanoid v0.9 Moves 35 kg Objects (Oct 19, 2026)humanoidsdaily.com
- 2.Tech Times: KAIST Humanoid Pushes Objects Up to 77 Lbs While Walking, No External Cameras (Oct 20, 2026)techtimes.com
- 3.Gadget Review: KAIST Humanoid v0.9 Robot Pushes 77 Pounds and Lifts 44 While Walkinggadgetreview.com
Verwandte Briefings
Mehr in Embodied AI & Foundation ModelsDynas Lindon Gao sagt, ein funktionierender Workflow sei so gut wie alle, und hat die Ausgaben zum Pretraining verschoben
Dyna-Robotics-Gründer und CEO Lindon Gao sagte Zhang Xiaojun in Folge 154 des Podcasts 商业访谈录 (Business Interviews), das Pretraining nehme inzwischen weit mehr Ressourcen des Unternehmens in Anspruch als das Post-Training, nach einer hälftigen Aufteilung. Dynas Beitrag vom 29. September zu Dyna-2.1 nennt einen Wäschezyklus von rund 79 Schritten und dass er bei 95 % pro Schritt fast nie ohne Hilfe fertig wird; die gezeigte Maschine Taku absolvierte einen ungeschnittenen, autonomen einstündigen Waschraum-Workflow.
Gemini 4 Argon erreicht 87 % beim Embodied Reasoning, braucht aber 52 Minuten pro Aufgabe am realen Arm
Google hat Gemini 4 Argon am 13. Oktober weltweit verfügbar gemacht und die Robotik-Anwendungen in vier Bereiche gegliedert: Robotersteuerung, Real2Sim, physisches Verständnis sowie Forschung und Selbstverbesserung. AA-Robotics v0.1 von Artificial Analysis gab Argon 55,3 von 100 Punkten beim Steuern eines realen Arms über acht Tischaufgaben, rund 100-mal langsamer als ein Mensch, während Physical Intelligence am selben Tag eine API-Beta für das Fine-Tuning seiner Modelle π0 und π0.5 auf Pis Infrastruktur öffnete.
LoopWAM gewinnt 19.7 Punkte an realen Robotern, indem es auf seinen eigenen gelabelten Rollouts nachtrainiert
LoopWAM ist ein geschlossenes World-Action-Modell der Tsinghua-Universität, von Dexmal und Loopeva, das jeden Rollout nach Qualität bewertet und fehlgeschlagenen Trajektorien Video-Supervision, aber keine Aktions-Supervision gibt. Auf der Table30-V2 von RoboChallenge belegt es mit 43.33 % Erfolg Platz eins, 2.67 Punkte vor dem VLA-DM0.5-Eintrag in der eigenen Tabelle und 0.33 Punkte vor den 43.0 %, die Dexmal für DM0.5 veröffentlicht.
Newsletter
Robrief Weekly
Eine E-Mail pro Woche mit den wichtigen Robotik-News. Kostenlos, jederzeit abbestellbar.