Amazon-Forscher gewinnen mit OmniRetarget den Hauptpreis der ICRA 2026, Stuttgart holt den Studentenpreis

Ein Forschungsteam von Amazon hat mit einer Methode, die menschliche Bewegungen in brauchbare Trainingsdaten für humanoide Roboter übersetzt, den wichtigsten Preis der weltgrößten Robotikkonferenz gewonnen. Das Paper OmniRetarget erhielt auf der IEEE International Conference on Robotics and Automation (ICRA 2026), die vom 1. bis 5. Juni in Wien stattfand, den Best Conference Paper Award und zusätzlich den Best Paper Award on Robot Manipulation and Locomotion. Das geht aus der Projektseite und einem Beitrag der IEEE Robotics and Automation Society hervor.

Als Autoren werden neun Forschende genannt: Lujie Yang, Xiaoyu Huang und Zhen Wu mit gleichem Beitrag sowie Angjoo Kanazawa, Pieter Abbeel, Carmelo Sferrazza, C. Karen Liu, Rocky Duan und Guanya Shi. Alle geben Amazons Gruppe Frontier AI & Robotics (FAR) als Affiliation an, mehrere zusätzlich das MIT, die UC Berkeley, die Stanford University oder die Carnegie Mellon University. Die erste Fassung erschien am 30. September 2025 auf arXiv, die dritte am 15. Juni 2026.

Das Verfahren setzt an einem Engpass an, den jeder Hersteller kennt, der Humanoide per Reinforcement Learning trainiert. Üblicherweise werden menschliche Bewegungen per Motion Capture aufgezeichnet, auf das Roboterskelett übertragen und als Referenz für die Regelungspolitik genutzt. Weil Gliedmaßen, Massen und Gelenkgrenzen eines Roboters vom Menschen abweichen, entstehen dabei laut den Autoren physikalisch unplausible Artefakte wie rutschende Füße oder Hände, die Objekte durchdringen. Zudem geht verloren, wie der Mensch Kiste, Stuhl oder Wand berührt hat.

OmniRetarget arbeitet stattdessen mit einem Interaktionsnetz, das Punkte des Körpers mit nahen Objekten und dem Gelände verbindet und deren relative Lage samt Kontakten festhält. Per Laplace-Deformation wird das menschliche Netz unter kinematischen Nebenbedingungen auf das Robotergitter übertragen, heißt es in der Zusammenfassung des Papers. Da Beziehungen statt exakter Posen erhalten bleiben, lässt sich eine einzelne Vorführung laut IEEE RAS in viele Varianten mit anderen Objektgrößen, Geländehöhen und Robotern vervielfältigen.

Angewendet auf die öffentlichen Datensätze OMOMO und LAFAN1 sowie eigene Motion-Capture-Aufnahmen entstanden laut Paper mehr als 8 Stunden Roboterbahnen, die Projektseite nennt mehr als 9 Stunden. Der Datensatz liegt bei Hugging Face, der Code im Amazon-Repository holosoma. Als Vergleich dienten die verbreiteten Verfahren GMR und PHC.

Die damit trainierten Regelungen kamen mit 5 Belohnungstermen und 4 Termen zur Domain Randomization aus und nutzten ausschließlich propriozeptive Sensorik, wie die Projektseite angibt. Auf einem rund 1,3 Meter großen Unitree G1 liefen sie ohne Nachtraining aus der Simulation heraus Bewegungsfolgen von bis zu 30 Sekunden, darunter Kistentragen, Plattformklettern, Kriechen, Rollen und Wandsaltos.

Auch für Deutschland lohnt der Blick auf die Preisliste. Die ICRA führte 36 Finalisten in elf Preisgruppen. Die Universität Stuttgart meldete, dass ihr Paper LASER zur Ablaufplanung mehrerer Roboter in der Holzfertigung des Instituts für Computerbasiertes Entwerfen und Baufertigung am 4. Juni den Best Student Paper Award erhielt. Den Preis für Robot Learning gewann nach Angaben der Johns Hopkins University eine Arbeit des Toyota Technological Institute at Chicago, des Toyota Research Institute und der Johns Hopkins University.

Europäische Humanoid-Anbieter wie Neura Robotics oder das Londoner Start-up Humanoid, an dem sich Schaeffler und Bosch beteiligt haben, stehen vor derselben Aufgabe wie Figure AI oder Boston Dynamics, nämlich große Mengen physikalisch gültiger Ganzkörperbewegungen zu beschaffen. Boston Dynamics schrieb am 18. Mai 2026, Atlas habe das Heben eines beladenen Kühlschranks Millionen Stunden lang parallel auf GPUs simuliert geübt und danach mehr als 100 Pfund bewegt. OmniRetarget verbessert die Referenzbewegung, die in eine solche Simulation einfließt.

Die Grenzen benennen die Autoren selbst. Fehler in der Ausgangsbewegung, etwa eine falsch erfasste Handposition, korrigiert das Verfahren nicht automatisch, sagte Lujie Yang der IEEE RAS. Die Versuche am realen Roboter beschränkten sich auf eine Plattform, und ohne Kamera muss die Szenengeometrie vorab bekannt sein.