Inhalt
  1. Drei Arten von Erfahrung beantworten unterschiedliche Fragen
  2. Warum die genannten Zahlen keine Erfolgsquote sind
  3. Ein Reward-Feld ersetzt noch kein geprüftes Lernziel
  4. Robotertyp und Dateiformat gehören zur Eignungsprüfung
  5. Training und Test dürfen sich nicht unbemerkt wiedersehen
  6. Für wen ist das Material sinnvoll?
  7. Quellen

Ein Roboter, der eine Aufgabe nach einer perfekten Vorführung beherrscht, kann an einer kleinen Abweichung trotzdem scheitern. Interessant wird dann, welche Zustände dem Fehler vorausgingen und wie ein Mensch die Situation korrigiert hat. Genau auf diese zusätzlichen Erfahrungen zielt AGIBOT WORLD 2026 Theme 3. Die Veröffentlichung bietet eine Datengrundlage für Forschung und Entwicklung. Sie ist kein Nachweis eines bereits universell einsetzbaren Roboters.

Die englische Herstellerankündigung trägt im Text das Datum 1. September 2026. AGIBOT nennt darin 11.430 reale Trajektorien über 14 Aufgaben, darunter 1.024 erfolgreiche und 1.369 gescheiterte autonome Durchläufe. Das sind Angaben zu diesem angekündigten Datenstand, keine von uns nachgezählte aktuelle Größe des gesamten, weitergeführten Repositorys. Auch ein chinesischer Autorenbeitrag auf OFweek vom 2. September griff die Veröffentlichung auf; eine unabhängige Validierung der Datenqualität liefert diese Berichterstattung nicht.

Drei Arten von Erfahrung beantworten unterschiedliche Fragen

Die Theme-3-Dokumentation unterscheidet Expertenvorführungen, menschlich korrigierte Ausführungen und autonome Versuche. Für die Datenauswahl ist diese Trennung wichtiger als eine möglichst große gemeinsame Dateimenge:

Datentyp Mögliche Forschungsfrage Was daraus nicht automatisch folgt
Expertenvorführung Welches Verhalten führt aus einer gegebenen Ausgangslage zum Ziel? Dass die gelernte Strategie eigene Fehlzustände beheben kann
Autonomer Versuch, erfolgreich oder gescheitert Wo weicht die ausgeführte Strategie vom gewünschten Ablauf ab? Dass beobachteter Erfolg unter anderen Bedingungen bestehen bleibt
Menschliche Übernahme mit Korrektur Wann greift der Bediener ein, und welche Korrektur folgt? Dass die Strategie diese Korrektur bereits selbstständig ausführen kann

Der zweite und dritte Fall erweitern die Perspektive gegenüber reinem Imitation Learning aus Vorführungen. Ein Fehlversuch ist dabei nicht einfach eine schlechte Demonstration, die du entfernen solltest. Für eine Fehlererkennung kann er gerade das gesuchte Beispiel sein. Für ein Training, das ausschließlich erfolgreiche Handlungen nachbilden soll, brauchst du dagegen eine andere Auswahl und eine bewusste Behandlung der Eingriffe.

Warum die genannten Zahlen keine Erfolgsquote sind

Aus den erfolgreichen und gescheiterten Rollouts lässt sich nicht ohne Weiteres eine Einsatz-Erfolgsrate ableiten. Dafür müsstest du wissen, wie Versuche ausgewählt wurden, welche Ausgangszustände vertreten sind und ob alle begonnenen Durchläufe erfasst wurden. Expertenvorführungen und Korrekturen bilden zudem andere Datentypen. Eine Quote aus zwei veröffentlichten Teilzahlen wäre somit keine belastbare Aussage darüber, wie häufig ein bestimmter Roboter im Alltag eine Aufgabe schafft.

Für einen eigenen Vergleich sollten deshalb Aufgaben, Startbedingungen, Abbruchregeln und zulässige menschliche Hilfe vor dem Versuch feststehen. Ein Verfahren, das frühzeitig um Hilfe bittet, kann betrieblich sinnvoll sein; es darf in der Auswertung aber nicht unbemerkt als vollständig autonomer Erfolg gezählt werden.

Ein Reward-Feld ersetzt noch kein geprüftes Lernziel

Das Theme-README beschreibt unter anderem Felder für Erfolg, Belohnung, Ende beziehungsweise Abbruch einer Episode sowie optional menschliche Übernahme. Solche Felder machen den Zusammenhang zwischen Verhalten und Ergebnis untersuchbar. Ihre bloße Existenz sagt jedoch nicht, ob ein daraus gebautes Lernziel deiner Anwendung entspricht.

Als eigenes Prüfbeispiel: Soll ein Roboter einen Stecker einsetzen, genügt „Stecker am Ende im Anschluss“ nicht unbedingt als vollständiges Qualitätskriterium. Du würdest zusätzlich untersuchen, ob zuvor ein unzulässiger Ablauf stattfand und ob ein Bedienereingriff nötig war. Diese Fragen sind ein vorgeschlagenes Bewertungskonzept, keine Behauptung über eine konkret enthaltene Steckverbindung oder deren zulässige Kräfte.

Trenne außerdem Messung und Handlungsbefehl. Ein beobachteter Kraftwert ist nicht bereits ein dokumentierter Kraft-Sollwert. BLO LAB veröffentlichte im September eine gesonderte Stichprobenanalyse zu Zustands- und Aktionsfeldern. Wir haben deren Parquet-Stichproben nicht selbst nachgemessen. Für ein eigenes Experiment bleibt das konkrete Schema des tatsächlich verwendeten Datenpakets maßgeblich.

Robotertyp und Dateiformat gehören zur Eignungsprüfung

Das überprüfte Root-README nennt AGIBOT G2 als Erfassungsplattform und beschreibt eine Struktur nach LeRobot v2.1 mit Metadaten, Episodendateien und Kameravideos. Ein passendes Dateiformat erleichtert den Zugriff, macht Aktionen aber nicht unabhängig von der Roboterhardware.

Prüfe vor der Übernahme deshalb Gelenk- und Greiferzuordnung, Bezugssysteme, Einheiten, Kamerakalibrierung und die Bedeutung jedes verwendeten Aktionskanals. Ein Modell mit denselben Feldnamen kann dennoch eine andere Bewegung auslösen, wenn etwa Zuordnung oder Skalierung nicht übereinstimmen. Das Archivfoto dieses Beitrags zeigt einen X2 auf einer Messe; es dokumentiert ausdrücklich weder die G2-Datenerfassung noch die Durchführung eines der beschriebenen Experimente.

Training und Test dürfen sich nicht unbemerkt wiedersehen

Die Dokumentation beschreibt mehrere Aufgaben und Trajektorientypen; sie weist außerdem darauf hin, dass nicht jede Aufgabe zwangsläufig alle Typen enthält. Entscheide daher zuerst, was du nachweisen willst: bekannte Aufgaben besser ausführen oder auf andere Objekte, Anordnungen und Abläufe übertragen?

Für einen aussagekräftigen Test sollten zusammengehörige Aufnahmen nicht zufällig auf Training und Prüfung verteilt werden. Halte ganze Episoden und, abhängig von der Forschungsfrage, auch zusammengehörige Szenen oder Objektvarianten zurück. Dokumentiere die Auswahl. Ein vorhandenes Split-Feld oder eine zufällige Aufteilung einzelner Videoframes belegt für sich genommen keine Trennung der realen Situationen. Wie allgemein bei KI-Evaluationen muss der Test genau die Behauptung prüfen, die später daraus abgeleitet wird.

Für wen ist das Material sinnvoll?

Der Einstieg lohnt sich vor allem für Teams, die eine konkrete Lern- oder Auswertungsfrage formulieren und Roboter-Metadaten selbst prüfen können. Lade zunächst eine passende Teilmenge, notiere den Repository-Stand und kontrolliere Schema, Episodenzuordnung und einige vollständige Abläufe. Erst danach ist ein großes Training sinnvoll zu planen.

Die Dataset-Karte nennt CC BY-NC-SA 4.0. Diese Lizenz enthält Bedingungen zur Namensnennung, zur nichtkommerziellen Nutzung und zur Weitergabe bearbeiteten Materials. „Open Source“ im Ankündigungstext ist daher keine pauschale Freigabe für einen kommerziellen Trainings- oder Produkteinsatz; dafür sind die einschlägigen Bedingungen beziehungsweise zusätzliche Rechte zu klären.

Der nützliche Fortschritt liegt hier in einer präziseren Frage an die Daten: nicht nur, wie eine Aufgabe richtig aussieht, sondern auch, wann eine Strategie abweicht und welche Rückmeldung verfügbar ist. Ob daraus ein besserer Roboter wird, muss ein sauber abgegrenztes Experiment erst zeigen.

Quellen & weiterführende Informationen

  5. OFweek / 思维AI社: 智元又开源了！这次是强化学习数据集 ↗Veröffentlicht: 2026-09-02 · Abgerufen: 2026-11-06