NTTs physikbasiertes World Model hebt die Erfolgsquote eines Roboters beim Regalbestücken von 73 auf 92 Prozent, Mujin testet es an Fluggepäck

NTT hat ein World Model entwickelt, das vorhersagt, ob eine Ladung einstürzt oder ein Gegenstand herunterfällt, bevor sich ein Roboter bewegt. Damit stieg die Erfolgsquote eines kleinen Roboters beim Bestücken eines Regals von 73,1 % auf 92,3 %, so der Konzern. Das Tokioter Unternehmen hat die Arbeit am 11. November vorgestellt und plant Feldtests mit Mujin, zuerst beim Be- und Entladen von Fluggepäck unterschiedlicher Form und unterschiedlichen Gewichts.

Die Wette lautet: Was ein World Model bei Kisten auf Kurs hält, ist Physik und nicht noch mehr Video. Herkömmliche World Models erfassen die physikalischen Größen von Objekten nicht, sagt NTT; in ihren Videos verschwinden oder verformen sich Gegenstände, Kollisionen werden falsch vorhergesagt, und Szenen außerhalb der Trainingsdaten bringen sie aus dem Tritt. NTTs „Physik-Steuerungsadapter“ schätzt aus dem Video Position, Ausrichtung, Geschwindigkeit und Masse jedes Objekts, berechnet die nächste Bewegung mit den Bewegungsgleichungen und gibt das Ergebnis an ein Videogenerierungsmodell weiter. Bei Gepäck, das sich in Form und Gewicht ständig unterscheidet, seien Trainingsdaten für jeden Fall nicht realistisch, so das Unternehmen. Es ist die Gegenwette zu NVIDIAs GR00T 2, das vor allem aus Videos von Menschen lernt.

Es bewertet die Vorschläge des Planers, statt ihn zu ersetzen

Das Modell steuert den Roboter nicht. Ein VLA-Modell oder ein Bewegungsplaner schlägt mehrere Aktionen vor; NTTs Modell erzeugt für jede ein Video der Folgen, bewertet es nach Stürzen und Kollisionen, und der Roboter nimmt die Aktion mit den besten Erfolgsaussichten. Laut NTT läuft es schnell genug für den Regelablauf, und weil es die physikalischen Größen hinter jeder Vorhersage ausgibt, siehst du, warum es mit einem Absturz rechnet.

Deshalb passt Mujin als erster Partner. Dessen Steuerungen planen schon das Palettieren gemischter Kartons für Industriearme, und ein Prüfer lässt sich auf diese Software setzen, ohne sie zu ersetzen. Auf OBJ3D, einem öffentlichen Benchmark für Videovorhersage mit Kollisionen mehrerer Objekte, schlug das Modell frühere Verfahren beim Ähnlichkeitsmaß LPIPS, sagt NTT.

Ob der Vorsprung von 19 Punkten hält, zeigen die Gepäcktests. Ein kleiner Roboter, der Dinge in ein Regal stellt, ist weit entfernt von einem Arm in voller Größe, der Koffer verlädt, deren Gewicht das Modell allein aus dem Video schätzen muss. NTT zeigt das System auf seinem R&D Forum 2026 vom 18. bis 25. November.