Apple HALO: Humanoider Roboter meistert unbekannte Umgebungen zu 91 Prozent
Veröffentlicht am: 08.11.2026 um 16:39 Uhr | Redaktion boerse-global.de
Ein Forschungsteam von Apple hat am 4. November 2026 das Steuerungssystem HALO für humanoide Roboter vorgestellt. In der wissenschaftlichen Arbeit mit dem Titel „Perceptive Humanoid Motion from Simulation“ (arXiv 2611.06908), die von acht Apple-Forschern verfasst wurde, beschreibt das Team ein autonomes System zur Bewegungssteuerung, das auf der Hardware des humanoiden Roboters Unitree G1 validiert wurde. Ein kommerzielles Apple-Produkt mit Preis oder Lieferdatum wurde im Zuge der Veröffentlichung nicht angekündigt.
Hohe Erfolgsraten in unbekannten Umgebungen
Nach Angaben des Forschungsteams erreichte HALO in sechs zuvor nie gescannten oder kartierten realen Umgebungen eine durchschnittliche Erfolgsrate von 91 Prozent über 360 Einzeltask-Trials. Das gleiche Ergebnis von 91 Prozent verzeichnete das System zudem bei 6.000 Trials in 100 simulierten Umgebungen.
Bei den Einzelskill-Tests in sechs Häusern mit jeweils zehn Durchläufen zeigten sich differenzierte Ergebnisse: Das Kriechen erreichte eine Quote von 100 Prozent, die Seitwärtsbewegung durch Türen 93 Prozent und das Gehen zu einem definierten Ziel 92 Prozent. Für das Krabbeln meldeten die Forscher 90 Prozent, während das Schieben einer Kiste auf 88 Prozent und das Hinsetzen auf 85 Prozent kamen.
Bei komplexeren, verketteten Aufgaben aus zwei bis drei Fähigkeiten in einer realen Testumgebung sank die Erfolgsrate auf durchschnittlich 70 Prozent. Die Kombination aus Türdurchquerung und Gehen gelang in 10 von 10 Versuchen.
Die rasante Entwicklung bei humanoiden Systemen zeigt, wie massiv Robotik und KI bereits heute die Industrie transformieren. Welche Unternehmen diesen technologischen Umbruch anführen und wo Milliarden-Investitionen hinfließen, erfahren Sie in diesem kostenlosen Report. Robotik und KI: So erkennen Sie die Profiteure der neuen Industrieära
Das Zusammenspiel von Kriechen und Sitzen erreichte 60 Prozent, während die Kette aus Kriechen, Gehen und dem Schieben einer Kiste eine Quote von 50 Prozent erzielte. Als wesentliche Fehlerursache nannte das Team Situationen, in denen eine nachfolgende Teilaufgabe mit einem zuvor ungesehenen Ziel startete.
Dreistufige Architektur und Hardware-Integration
HALO arbeitet mit drei Kontrollebenen. An oberster Stelle fungiert ein Vision-Language-Model (VLM) als Orchestrator, standardmäßig ausgeführt mit einem lokal berechneten Modell des Typs Qwen3.6-35B-A3B in 4-bit-Quantisierung.
Die mittlere Ebene bildet ein Motion-Generator auf Basis von Qwen3.5-2B und einem Diffusionstransformer (DiT), der rund drei Neuplanungen pro Sekunde vornimmt und Bewegungspläne für den gesamten Körper über etwa fünf Sekunden erstellt. Die unterste Ebene übernimmt ein Tracker, der 50-Hz-Gelenkbefehle an die Aktuatoren ausgibt.
Auf Hardwareseite setzt die Plattform auf einen Unitree G1 mit 29 Gelenken und Kopfkamera. Für die High-Level-Planung montierten die Forscher einen Mac mini M4 Pro mit 64 Gigabyte Arbeitsspeicher in einem per 3D-Druck gefertigten Gehäuse auf dem Rücken des Roboters. Die Low-Level-Steuerung läuft auf einem Jetson Orin NX, womit das System ohne externe Verkabelung betrieben wird.
Während neue Steuerungssysteme die Robotik revolutionieren, fragen sich viele Beobachter, welche Firmen hinter dem größten technologischen Umbruch der Industrie stecken. Dieser Report deckt auf, welche Namen die industrielle Entwicklung im Jahr 2026 wirklich vorantreiben. Welche Firmen treiben die industrielle Revolution 2026 wirklich voran?
Synthetisches Training und Open-Source-Modell
Für das Training nutzte das Team rund 300 Stunden synthetische Episoden aus 1.000 prozedural erzeugten Häusern, die vollständig ohne menschliches Eingreifen entstanden. Die Haupt-Datengenerierungsphase dauerte rund 48 Stunden auf einem Verbund von 250 Nvidia H100 Grafikprozessoren.
Der Motion-Generator wurde mittels Imitationslernen auf 64 Nvidia B200 GPUs trainiert. Das Training des Motion-Trackers erfolgte auf vier H100 GPUs über Reinforcement Learning und Policy Distillation.
Das Apple-Team hat den Code für Datengenerierung, Modelltraining und Deployment quelloffen zur Verfügung gestellt. Dies umfasst die Motion-Generierung, das Motion-Tracking, die Aufgabenorchestrierung sowie die Ausführung in der Simulation und auf realen Robotern. Eine exakte Webadresse des Repositoriums oder konkrete Lizenzbedingungen wurden dabei nicht genannt.
Aktuell verbleiben technische Grenzen: Dem System fehlt Kontaktsensorik, die Steuerung stützt sich überwiegend auf visuelle Wahrnehmung. Neue Aufgaben erfordern manuell geschriebene Prompts sowie entworfene Motion-Keyframes, teils unter Rückgriff auf menschliche Videos oder Motion-Capture-Aufnahmen. Eine unabhängige Reproduktion der Ergebnisse liegt bislang nicht vor. Als nächsten Schritt plant Apple die Integration von Haptik.
