Kraftgefühl ohne Sensor: MIT-Modell NeuralActuator gewinnt Systempreis der RSS 2026
NeuralActuator, entwickelt von der Computational Design and Fabrication Group des MIT gemeinsam mit Amazon, hat auf der RSS 2026 den Outstanding Systems Paper Award erhalten. Das Modell lernt aus Motorstrom, Spannung und Temperatur das tatsächliche Verhalten günstiger Servos und schätzt äußere Kräfte mit einem mittleren Fehler von 0,12 Newton, gegenüber 0,66 bis 1,41 Newton bei klassischen Verfahren.
Ein neuronales Modell, mit dem günstige Roboterarme ohne Drehmoment- oder Tastsensoren spüren, wie stark sie drücken, hat auf der Konferenz Robotics: Science and Systems (RSS) 2026 den Outstanding Systems Paper Award in Memory of Seth Teller gewonnen. Die Konferenz fand vom 13. bis 17. Juli 2026 in Sydney statt. Die Arbeit NeuralActuator stammt von Forschern der Computational Design and Fabrication Group des MIT um Wojciech Matusik sowie von Yuri Ivanov von Amazon und erschien im Juli 2026 auf arXiv (2607.11734).
Das Problem
Die meisten günstigen Roboter schätzen das Gelenkmoment mit einer einfachen Regel: Moment gleich Konstante mal Motorstrom. Nach Angaben der Autoren versagt dieses lineare Modell auf preiswerter Hardware wegen Reibung, Hysterese, Getriebespiel und Erwärmung. Dieser Fehler ist ein Grund, warum in der Simulation trainierte Regler auf realen Billigrobotern anders reagieren, und warum solche Roboter nicht wissen, welche Kraft sie ausüben.
Wie NeuralActuator arbeitet
Das System lernt aus Signalen, die die Motoren ohnehin melden, drei Dinge zugleich. Es sagt das wirksame Moment jedes Gelenks voraus, damit ein Simulator die reale Bewegung nachbilden kann. Es schätzt die äußere Kraft am Armende, damit der Roboter Kontakt spürt. Und es bewertet den Zustand jedes Motors und unterscheidet Normalbetrieb von einem mechanisch blockierten Gelenk. Ein Kontaktfilter entscheidet, ob Kraftwerte überhaupt verwendet werden.
Technisch handelt es sich um einen Transformer, der eine kurze Historie von neun Zeitschritten liest: Sollpositionen, Gelenkzustände, Motorströme, Spannungen und Temperaturen. Der Momententeil kommt ohne Momentenmessungen aus. Das Team speist die vorhergesagten Momente in die Physik-Engine MuJoCo ein, vergleicht simulierte und gemessene Bewegung und führt die Abweichung durch den differenzierbaren Simulator zurück. Kraft- und Zustandsausgaben werden mit gelabelten Daten trainiert.
Daten und Hardware
Die Autoren erstellten auf einem OpenManipulator-X von ROBOTIS, einem Arm mit fünf Freiheitsgraden und DYNAMIXEL-Servos vom Typ XM430-W350, einen Datensatz von 94,52 Minuten. Er wurde per Leader-Follower-Teleoperation aufgenommen und umfasst 34,15 Minuten freie Bewegung, 46,24 Minuten kraftgelabelte Interaktion mit Lasten von 100 bis 500 Gramm sowie 14,13 Minuten mit absichtlich blockiertem Gelenk. Zusätzlich wurde das Verfahren auf einem LeRobot SO-101 und offline auf einem Franka Emika Panda geprüft.
Die Ergebnisse
Laut Projektseite liegt der Kraftschätzfehler bei 0,12 Newton, gegenüber 1,41 Newton für ein lineares Strom-Moment-Modell, 1,23 Newton für ein Modell mit Reibungstermen und 0,66 Newton für einen generalisierten Impulsbeobachter (GMO). Mit der Kraftschätzung als Eingang stieg die Erfolgsquote von Imitationslern-Reglern beim Greifen und Ablegen von 80 auf 92,5 Prozent und bei einer Halteaufgabe von 85 auf 95 Prozent. Die Zustandserkennung erreichte 91,0 Prozent Genauigkeit, 84,5 Prozent Präzision und 96,2 Prozent Trefferquote. Über 500 Schritte blieb der Gelenkwinkelfehler zwischen 1,78 und 3,31 Grad, die Inferenz dauerte bei 60 Hertz Regeltakt auf einer GPU unter einer Millisekunde. Code, Daten und Hardwarekonfigurationen sind veröffentlicht.
Wettbewerbsumfeld
Kollaborative Industriearme wie die von Franka haben Gelenkmomentsensoren eingebaut, was die Kosten erhöht. Taktile Häute und Kraft-Momenten-Sensoren am Handgelenk sind weitere Wege. NeuralActuator konkurriert über den Preis, denn es nutzt nur Signale, die Standard-Smartservos ohnehin liefern. Unter den RSS-Preisträgern 2026 steht es neben FlashSAC, das für schnelleres Reinforcement Learning den Hauptpreis erhielt. Beide zielen darauf, lernbasierte Regelung auf preiswerter Hardware praxistauglich zu machen.
Bedeutung für Europa
Für den europäischen Markt ist die Arbeit zweischneidig. Franka liefert mit dem Panda die Referenz, an der sich die Kraftschätzung messen lässt, und zugleich zeigt die Studie, dass ein Teil dieses Sensormehrwerts im unteren Preissegment durch Software ersetzt werden könnte. Für Hersteller von Kraft-Momenten-Sensoren und für Mittelständler, die einfache Handhabungsaufgaben automatisieren, entsteht damit ein Preisdruck von unten. Umgekehrt können Antriebshersteller, die ausführliche Telemetrie liefern, ihre Produkte mit lernbasierter Kraftschätzung und vorausschauender Wartung aufwerten. Für sicherheitsrelevante Anwendungen nach der Maschinenverordnung bleibt die Frage der Zertifizierung offen.
Grenzen
Die Autoren räumen ein, dass das Momentsignal eine Sammelgröße ist, die nicht modellierte Kontakte und Lasten aufnehmen kann, und kein rein physikalisches Motormoment. Das Krafttraining beruhte auf quasistatischen Lasten, die Zustandserkennung wurde an einem Gelenk einer Plattform geprüft, und Permanentmagnet-Synchronmotoren oder Hydraulik größerer Roboter wurden nicht untersucht.
ROBOTNESS-Analyse
NeuralActuator zeigt, dass günstige Roboter Kraft aus Motordaten lernen können, und könnte im unteren Marktsegment Hardwarekosten in eine Softwarefunktion verwandeln.
Dafür sprechen ein Kraftfehler von 0,12 Newton, etwa ein Fünftel des besten klassischen Vergleichsverfahrens, 10 bis 12,5 Prozentpunkte mehr Erfolg beim Imitationslernen und die Veröffentlichung von Code und Daten zur Nachprüfung.
Das stärkste Gegenargument ist der Umfang. Eine Antriebsfamilie, quasistatische Lasten und eine Hauptplattform sind eine schmale Basis, und Industriekunden brauchen zertifizierte Kraftgrenzen, die ein gelernter Schätzer noch nicht garantieren kann.
Optimistisches Szenario: Servohersteller integrieren solche Modelle in die Firmware, jeder günstige Arm erhält ein Kraftgefühl, und Datenerfassungsflotten zeichnen Kraftdaten für Robotik-Grundmodelle in großem Stil auf.
Pessimistisches Szenario: Jede Motorcharge und jeder Verschleißzustand erfordert neues Training, die Genauigkeit sinkt bei dynamischen Aufgaben, und wo Sicherheit zählt, bleiben physische Sensoren Pflicht.
Signale, auf die es ankommt:
- Ergebnisse für andere Antriebe, etwa quasi-direktgetriebene Humanoidengelenke, in Folgearbeiten 2026 und 2027.
- Verbreitung im LeRobot-Umfeld, in dem der SO-101-Arm der Studie gängig ist.
- Ankündigungen von Servoherstellern zu gelernter Kraftschätzung in der Firmware.
- NeuralActuator
- 0,12
- 1
- GMO (generalisierter Impulsbeobachter)
- 0,66
- 5,5
- ID-Friction (inverse Dynamik mit Reibung)
- 1,23
- 10,25
- ID-Linear (lineares Strom-Moment-Modell)
- 1,41
- 11,75
Mittlerer absoluter Fehler über Lastaufgaben laut Projektseite der Autoren. Faktor = Fehler des Vergleichsverfahrens / Fehler von NeuralActuator.
Stand: 1. Okt. 2026
- RSS 2026 Outstanding Systems Paper (Seth Teller Award)
- MIT CDFG (Wojciech Matusik) mit Amazon
- arXiv 2607.11734 (Juli 2026)
- 0,12 N mittlerer absoluter Fehler
- GMO, 0,66 N
- Greifen und Ablegen 80 auf 92,5 %
- 91,0 % Genauigkeit, 96,2 % Trefferquote
- 94,52 Min. auf ROBOTIS OpenManipulator-X
- Code, Daten, Hardwarekonfigurationen
Warum das wichtig ist
Kraft ist der Sinn, der günstigen Robotern fehlt. Ein Gelenkmoment- oder Handgelenksensor kann mehr kosten als ein ganzer Billigarm, deshalb arbeiten die meisten Hobby-, Lehr- und Datenerfassungsroboter blind für Kontakt. NeuralActuator zeigt, dass die Information bereits in Strom, Spannung und Temperatur steckt, sobald ein Modell das nichtlineare Verhalten des Antriebs gelernt hat.
Methodisch wichtig ist das Training über einen differenzierbaren Simulator allein aus Lagedaten. Damit entfallen Momentenmessungen, die günstige Roboter gerade nicht liefern können. Der Ansatz lässt sich auf jeden Roboter mit brauchbarem Simulationsmodell übertragen.
Wettbewerbsanalyse
Etablierte Alternativen sind physisch: Gelenkmomentsensoren in Cobots wie dem Franka Panda, Kraft-Momenten-Sensoren am Handgelenk und taktile Häute. Softwareseitig gibt es lineare Strommodelle, Reibungsmodelle und generalisierte Impulsbeobachter, die NeuralActuator im Kraftbenchmark der Arbeit alle übertraf.
Auch bei Laufrobotern wurden Antriebe bereits mit neuronalen Netzen modelliert. Neu ist die Verbindung von Kraftschätzung, Zustandsüberwachung und simulatorfähigem Moment in einem Modell ohne Momentenlabels.
Bewertungskontext
Die Forschung selbst hat keinen Preis. Ihr wirtschaftlicher Effekt zeigt sich in der Stückliste: Ersetzt Software für manche Aufgaben einen Kraftsensor, sinken die Kosten eines kraftsensitiven Arms in Richtung der reinen Servokosten.
Für Investoren in Datenerfassung und günstige Manipulationsroboter stärkt das die Strategie der Skalierung gegenüber teurer Sensorik. Für europäische Sensorhersteller verschiebt sich der Wettbewerb in Richtung Präzision, Zertifizierung und Hochlastanwendungen.
Folgen für die Lieferkette
Im Zentrum stehen Smartservos, die Strom, Spannung und Temperatur melden, konkret die DYNAMIXEL XM430-W350 von ROBOTIS im OpenManipulator-X. Servos mit reicher Telemetrie gewinnen an Wert, was Hersteller anregt, mehr interne Daten freizugeben.
Der Rechenbedarf ist gering, die Autoren nennen GPU-Inferenz unter einer Millisekunde bei 60 Hertz. Der nächste Schritt wäre der Umzug auf eingebettete Prozessoren oder in die Servofirmware, ein Feld, in dem europäische Antriebs- und Halbleiterhersteller mitbieten können.
Worauf jetzt zu achten ist
Beobachten sollte man Folgeergebnisse für bürstenlose und quasi-direktgetriebene Antriebe in Humanoiden sowie unter dynamischen Lasten. Ebenso die Übernahme in der LeRobot-Gemeinschaft, da der SO-101 eine verbreitete Plattform für Lerndaten ist.
Relevant ist außerdem, ob Servo- oder Armhersteller gelernte Kraftschätzung als Produktmerkmal ankündigen und wie Normungsgremien mit gelernten Kraftschätzern umgehen.
Analystensicht
These: Sensorlose, gelernte Kraftschätzung wird binnen weniger Jahre Standard bei günstigen Manipulatoren, ersetzt zertifizierte Sensoren in sicherheitskritischer Industriearbeit aber nicht. Zuversicht: mittel.
Mittel, weil die Ergebnisse stark, aber schmal sind: eine Hauptplattform, quasistatische Lasten. Offener Code und Daten, eine etwa fünffache Verbesserung gegenüber dem besten klassischen Verfahren und der RSS-Systempreis stützen die Richtung.
Offene Fragen
Wie viele Daten braucht ein neues Motormodell oder ein verschlissener Antrieb, bis die Genauigkeit zurückkehrt? Wie verhält sich der Schätzer bei schnellem, dynamischem Kontakt?
Läuft das Modell auf dem Mikrocontroller des Servos? Und wie ließe sich eine gelernte Kraftschätzung gegenüber den Sicherheitsanforderungen an kollaborierende Roboter nachweisen?