K1, LUMO, Dyna-2 und DexH13: Die nächste Robotik-Welle

Ein offener Forschungshumanoid, ein geländegängiger Begleitroboter, ein KI-Modell mit einer Million Stunden menschlicher Erfahrung und zwei Hände, die Berührung zur Kernkompetenz machen: ROBOTIS AI Sapiens K1, DOBOT LUMO, Dyna-2, Tacta Hand und PaXini DexH13 wirken auf den ersten Blick wie fünf verschiedene Nachrichten. Zusammengenommen zeigen sie jedoch einen klaren Trend: Fortschritt in der Robotik entsteht nicht allein durch menschenähnliche Körper. Er entsteht dort, wo robuste Mechanik, Wahrnehmung, Daten und ein sinnvoller Einsatzprozess zusammenpassen.

Für Schweizer Unternehmen und Hochschulen ist das eine erfreuliche Entwicklung. Nicht jede Firma muss einen eigenen Humanoiden bauen oder ein millionenschweres Foundation Model trainieren. Wert entsteht auch durch die Auswahl geeigneter Komponenten, die sichere Integration in bestehende Anlagen und die Validierung von Aufgaben, bei denen Präzision, Qualität und Nachvollziehbarkeit zählen. Genau dort liegen Stärken des Werkplatzes Schweiz.

Die fünf Bausteine im direkten Vergleich

Die Tabelle ist keine Rangliste. K1 und LUMO sind mobile, menschenähnliche Plattformen; Dyna-2 ist eine Lernarchitektur; Tacta und PaXini lösen primär die Greifaufgabe. Die entscheidende Frage lautet deshalb nicht: Welches System ist der beste Roboter? Sondern: Welche Kombination löst einen konkreten Arbeitsschritt zuverlässig?

ROBOTIS AI Sapiens K1: Offenheit mit genauer technischer Einordnung

Der AI Sapiens K1 von ROBOTIS ist als kompakte Forschungsplattform konzipiert. Laut Hersteller misst er 1'355 Millimeter, wiegt 35 Kilogramm und verfügt über 23 Freiheitsgrade. Angetrieben wird der Körper von 23 DYNAMIXEL-Q-Aktuatoren: zwölf QC060 und elf QC080.[1] Diese hauseigenen Antriebe sind für Lehr- und Entwicklungsprojekte interessant, weil sie Hard- und Software näher zusammenbringen als ein vollständig geschlossener Demonstrator.

Besonders wichtig ist die Ausrichtung auf ROS 2, die Open-Source-Software und eine dokumentierte Schnittstelle für Simulation sowie Robotik-Entwicklung.[2] Das kann für Fachhochschulen, ETH- und EPFL-nahe Teams, Berufsbildung und Integratoren ein Vorteil sein: Bewegungsplanung, Wahrnehmung oder Teleoperation lassen sich an einer greifbaren Plattform erproben, statt nur in einer Simulation zu verbleiben.

«End-to-end open source» ist beim K1 die Ausrichtung des Ökosystems. Die Dokumentation weist für einzelne Hardware-Ressourcen wie Stücklisten, STEP-Dateien und druckbare Abdeckungen noch einen angekündigten Verfügbarkeitsstatus aus.[2]

Diese Nuance ist relevant. «Vollständig Open Source» sollte nicht als Versprechen verstanden werden, dass heute jede mechanische Datei, jede Lieferkette und jedes Produktionsdetail ohne Einschränkung verfügbar ist. Für die Praxis ist offener Zugang trotzdem wertvoll: Er verbessert Prüfbarkeit, erleichtert Anpassungen und verhindert, dass Forschung ausschliesslich an eine Hersteller-Cloud oder ein proprietäres Entwicklungswerkzeug gebunden ist. Für Schweizer Lern- und Pilotprojekte ist K1 damit eher ein Laborinstrument als ein fertiger Schichtarbeiter.

DOBOT LUMO: Was Geländegängigkeit tatsächlich beweist

DOBOT LUMO rückt einen anderen Teil des Problems in den Vordergrund: Bewegung ausserhalb des perfekt kontrollierten Fabrikbodens. DOBOT beschreibt LUMO als verkörperten KI-Humanoiden für Begleitung, Forschung und Bildung sowie kommerzielle Anwendungen.[3] Ein Fachbericht beschreibt Demonstrationen auf Gras, Sand und Kopfstein sowie Boxen, Tanzen und einen Rückwärtssalto.[4] Das ist beeindruckend, weil unebene Untergründe Wahrnehmung, Fussplatzierung und Balance gleichzeitig fordern.

Eine solche Vorführung ist allerdings noch kein Nachweis für dauerhaften Betrieb. Zwischen einem gelungenen Rückwärtssalto und einem Arbeitstag im Aussenbereich liegen Fragen zu Batterie, Witterung, Verschleiss, Sturzfolgen, Sicherheitszonen und Wartung. DOBOT hatte zum Zeitpunkt der Recherche noch keine vollständigen technischen Daten zu Nutzlast, Geschwindigkeit, Akku oder Rechenplattform veröffentlicht.[4] Eine seriöse Beschaffung trennt deshalb klar zwischen demonstrierter Bewegungsfähigkeit und validierter Einsatzfähigkeit.

Dennoch ist LUMO für die Schweiz spannend. Baustellen, Areale, touristische Umgebungen oder Ausbildungsräume sind selten so glatt und strukturiert wie ein klassisches Produktionsband. In Kombination mit den Erkenntnissen aus unserem Beitrag über KI-Roboter auf der Baustelle wird deutlich: Wenn Mobilität robuster wird, wachsen die möglichen Einsatzorte. Der erste Nutzen entsteht aber oft durch Inspektion, Materialtransport, Lernen oder Assistenz und nicht durch eine spektakuläre Ganzkörperakrobatik.

Dyna-2: Eine Million Stunden Video sind kein Autopilot, aber ein wichtiger Datenpfad

Dyna Robotics verfolgt mit Dyna-2 einen Ansatz, der die Datenfrage der Physical AI neu stellt. Das World-Action-Model wurde mit mehr als einer Million Stunden egoskopischem Video trainiert, also Video aus einer menschlichen Perspektive. Dyna beschreibt das als ungefähr 170 Jahre kontinuierliche Wachzeit.[5] Der Gedanke dahinter: Menschen führen täglich Manipulationsaufgaben aus – kochen, räumen auf, falten, montieren. Diese Bilder enthalten Hinweise darauf, wie sich Dinge bei Kontakt verhalten und welche Bewegungen zu welchem Ergebnis führen.

Technisch verbindet Dyna-2 eine Vorhersage künftiger Videoframes mit der Vorhersage künftiger Aktionen. Das Modell lernt damit nicht nur, welche Bewegung zu sehen war, sondern auch, wie sich die physische Szene weiterentwickeln könnte. In einem eigenen On-Robot-Benchmark über 14 Aufgaben stieg die mittlere normalisierte Leistung mit zunehmender Videodatenmenge von 20 auf 28, 45 und schliesslich 53 Prozent.[5] Das ist die korrekte Bedeutung der häufig zitierten «20 auf 53 Prozent»: Es handelt sich um einen aggregierten Benchmarkwert, nicht um eine universelle Erfolgsquote für beliebige Roboterarbeit.

Die Herstellerkommunikation berichtet zusätzlich bei hochpräzisen Fertigungsaufgaben von 80 bis 90 Prozent Erfolgsrate nach Skalierung des Pretrainings.[6] Solche Werte sind vielversprechend, bleiben aber zunächst herstellerspezifische Ergebnisse. Für einen Schweizer Betrieb wären sie erst dann beschaffungsrelevant, wenn Aufgabe, Teilvarianz, Taktzeit, Fehlerdefinition und Testprotokoll dem eigenen Prozess entsprechen.

Der Nutzen des Ansatzes liegt trotzdem auf der Hand: Weniger roboterspezifische Demonstrationen könnten genügen, um ein System an eine neue Aufgabe anzupassen. Dyna zeigt beispielsweise, dass für das Öffnen eines Flaschendeckels mit zwei fünf-Finger-Händen rund zehn Minuten Teleoperationsdaten für das Nachtraining verwendet wurden.[5] Das passt direkt zu unserem Beitrag über KI-Weltmodelle in der Robotik: Entscheidend ist nicht nur Sprachverständnis, sondern ein Modell der physikalischen Folgen eigener Handlungen.

Warum weniger Finger manchmal mehr Automatisierung bedeuten

Robotikhände werden oft danach beurteilt, wie nahe sie der menschlichen Hand kommen. Das ist verständlich, aber nicht immer die richtige Kennzahl. Für viele industrielle Teile braucht es keinen Klaviervirtuosen, sondern einen reproduzierbaren, sauberen und gut überwachten Griff. Weniger Finger reduzieren Freiheitsgrade, Steueraufwand und mögliche Fehlerzustände. Gute taktile Daten können diesen Verlust mehr als ausgleichen.

Tacta verbindet die Hand mit einer Handschuhplattform. Mitarbeitende führen eine Aufgabe mit dem Tacta Glove aus; erfasst werden Kraft, Bewegung, Video und Temperatur. Diese Daten sollen ein Dexterous-Intelligence-Modell für die Roboterhand trainieren.[7] Die Tacta Hand verfügt laut Hersteller über 15 unabhängig angetriebene Gelenke und Fluidic-Tendon-Antriebe. The Robot Report beschreibt sowohl drei- als auch fünf-Finger-Konfigurationen sowie bis zu 25 Newton je Finger in der fünf-Finger-Ausführung.[8]

PaXini geht mit dem DexH13 einen anderen Weg: vier Finger, 16 Freiheitsgrade, 1'140 taktile Sensoren und eine integrierte 8-Megapixel-Kamera. Die Produktdaten nennen 15 Newton Fingerspitzenkraft, eine Nennlast von fünf Kilogramm und Schnittstellen über EtherCAT und Modbus.[9] Damit ist auch eine verbreitete Verwechslung geklärt: Die 25-Newton-Angabe gehört nicht zum DexH13. Sie wird für Tacta als Kraft pro Finger zitiert; der DexH13 ist mit 15 Newton Fingerspitzenkraft spezifiziert.

Schweizer Perspektive: Nicht dem Roboter hinterherlaufen, sondern den Prozess führen

Für Schweizer KMU ist die Vielfalt der Ansätze eine Chance. Swissmem weist darauf hin, dass KI die Einrichtung und Steuerung von Robotern vereinfachen und Kosten senken kann. Zugleich bleiben Integration, Sicherheit, Konnektivität und Akzeptanz anspruchsvoll – gerade für KMU.[10] Daraus folgt eine praktische Leitlinie: Nicht mit dem Kauf eines Humanoiden beginnen, sondern mit einem klar abgegrenzten Prozessschritt.

In der Präzisionsmontage könnten Tacta- oder PaXini-ähnliche Hände etwa bei Kabeln, Steckern, Kleinteilen oder Qualitätskontrolle interessant werden. In Logistik und Service können Dyna-ähnliche Lernmodelle den Aufwand für neue Greifaufgaben reduzieren. K1 eignet sich für Bildungs- und Forschungsumgebungen, in denen Teams Wahrnehmung, Manipulation oder sichere Mensch-Roboter-Interaktion entwickeln wollen. Und die LUMO-Demonstration macht sichtbar, welche zusätzlichen Anforderungen Aussen- und Mischumgebungen stellen.

ETH RobotX bündelt Forschung und Ausbildung rund um Robotik in Zürich und schafft damit ein Umfeld, in dem solche Systeme kritisch erprobt werden können.[11] Für die Schweiz liegt die Wertschöpfung nicht nur in der Hardware. Sie liegt in validierten Anwendungen, Sicherheitskonzepten, Daten-Governance, Medtech- und Qualitätswissen sowie zuverlässigem Service. Die World Robot Conference 2026 hat gezeigt, wie schnell Komponenten und Robotikplattformen weltweit skalieren. Schweizer Akteure können daraus produktive Systeme machen, wenn sie eigene Anforderungen konsequent einbringen.

Daten, Sicherheit und verantwortungsvolle Einführung

Je lernfähiger ein Roboter wird, desto wichtiger werden die Herkunft und der Umgang mit Daten. Dyna-2 nutzt menschliche Videos; Tactas Handschuh erfasst bei der Aufgabenausführung auch Video, Kräfte, Bewegungen und Temperatur. In Schweizer Betrieben sollten vor einem Pilotbetrieb deshalb mindestens Zweckbindung, Rollen- und Berechtigungskonzepte, Speicherorte, Löschfristen, Netzsegmentierung und die Zustimmung betroffener Mitarbeitender geklärt sein. Bei Kameras in Produktions- oder Servicebereichen ist Transparenz kein Zusatz, sondern Voraussetzung für Vertrauen.

Ebenso wichtig ist die funktionale Sicherheit. Eine lernfähige Hand oder ein mobiler Humanoid darf nicht bloss in einem idealen Labor funktionieren. Es braucht klar definierte Arbeitsbereiche, Not-Halt-Konzepte, sichere Geschwindigkeiten, Abnahmefälle und einen nachvollziehbaren Umgang mit Ausnahmen. Die spannendste KI nützt wenig, wenn ein System bei einem glänzenden Teil, einem Kabelzug oder einer unerwarteten Person nicht sicher reagiert.

Fazit: Der nächste Fortschritt steckt in der Verbindung

K1, LUMO, Dyna-2, Tacta Hand und DexH13 stehen für fünf unterschiedliche Antworten auf dieselbe Frage: Wie wird ein Roboter in der realen Welt nützlicher? K1 öffnet Entwicklungszugänge. LUMO verschiebt die Debatte zur Mobilität in unstrukturierten Umgebungen. Dyna-2 zeigt einen möglichen Datenpfad vom menschlichen Video zur Roboteraktion. Tacta und PaXini erinnern daran, dass der entscheidende Moment oft am Fingerspitzengerät stattfindet.

Die wichtigste Erkenntnis für die Schweiz lautet: Es gibt keinen einzelnen Siegerroboter. Erfolg entsteht, wenn ein Betrieb die passende Verkörperung, die passende Hand, die passende Datenstrategie und einen überprüfbaren Prozess zusammenführt. Wer heute klein beginnt, Kennzahlen sauber misst und Mitarbeitende einbezieht, kann aus der aktuellen Robotik-Welle einen nachhaltigen Wettbewerbsvorteil machen.

Quellen

1. ROBOTIS: AI Sapiens Ecosystem
2. ROBOTIS: AI Sapiens Documentation
3. DOBOT: LUMO Product Overview
4. Interesting Engineering: DOBOT LUMO
5. Dyna Robotics: Dyna-2 Technical Report
6. Dyna Robotics: Dyna-2 Announcement
7. Tacta Systems: Dexterous Intelligence
8. The Robot Report: TactaBot and Tacta Hand
9. RBTX: PaXini DexH13 Product Data
10. Swissmem: KI trifft Robotik
11. ETH RobotX: Center for Robotics