Autonome Roboterhand läuft, tippt und schiebt Objekte

Ein Forscherteam der ETH Zürich unter der Leitung von Ali Kazemi hat eine handelsübliche Roboterhand so weiterentwickelt, dass sie eigenständig laufen, balancieren und mit ihrer Umgebung interagieren kann. Die Forschungsarbeiten wurden im Jahr 2026 auf dem Preprint-Server arXiv veröffentlicht. Bisher scheiterte die Kombination aus Mobilität und menschlicher Handanatomie daran, dass symmetrische Finger zwar das Crawlen erleichtern, jedoch die für die Greiffähigkeit entscheidenden asymmetrischen Finger und der opponierende Daumen opfern. Das ETH-Team umging dieses Dilemma, indem es eine Standardhand um eine interne Stromversorgung, Bewegungssensoren und einen Miniaturcomputer ergänzte und sie mithilfe von Reinforcement Learning in einer digitalen Simulation auf dynamisches Gleichgewicht und Fortbewegung trainierte. In der Praxis beweist die Einheit ihre Robustheit. Sie bewegte sich über vierzehn unterschiedliche Untergründe, darunter Teppich, Kies, Gras und Metallgitter. Bei fünfundzwanzig Tests, die darin beginnend, dass die Hand auf der Seite lag, richtete sie sich in einundzwanzig Fällen erfolgreich selbst auf. Die manuelle Dexterity blieb dabei vollständig erhalten: Während das Gewicht auf vier Fingern balancierte, bediente die Hand mit dem fünften Finger in neunundneunzig Prozent der Versuche vier verschiedene Pfeiltasten korrekt. Zudem konnte sie einen kleinen Würfel transportieren und ihn in fünfzehn Tests durchschnittlich innerhalb von zwei Zentimetern eines Zielpunkts positionieren. Der wissenschaftliche Durchbruch liegt in der vollständigen Integration von Mobilität und Manipulation in einer einzigen, kompakten Einheit. Laut den Autoren eröffnet dies neue Perspektiven für den Einsatz autonomer Roboter in engen oder schwer zugänglichen Arbeitsbereichen, in denen ein tragender Roboterarm nicht manövrieren kann. Die Entwicklung signalisiert einen Paradigmenwechsel hin zu vielseitigeren Robotersystemen, die sich nahtlos in menschengerechte Infrastrukturen und Schnittstellen integrieren lassen. Die Arbeiten unterstreichen das Potenzial gekoppelter Simulations- und Reinforcement-Learning-Ansätze für die nächste Generation physischer KI-Systeme.