Unitree Robotics will künstliche Intelligenz künftig nicht nur zur Steuerung seiner Roboter einsetzen, sondern auch für deren eigene Softwareentwicklung. Auf der World Physical AI Conference am 22. Oktober 2026 in Hangzhou erläuterte Gründer Wang Xingxing erneut ein System, das Forschungsergebnisse auswerten, Steuerungscode erzeugen, Simulationen durchführen und die Resultate an realen Robotern überprüfen soll.
Das Vorhaben wird in der internationalen Berichterstattung als „Unitree Rehearsal“ bezeichnet. Wang stellte es als eines der wichtigsten Entwicklungsprojekte des Unternehmens vor. Ziel ist ein weitgehend automatisierter Forschungsprozess, in dem KI-Modelle neue Roboterfähigkeiten entwickeln und ihre Ergebnisse kontinuierlich verbessern.
Die grundlegende Idee ist nicht völlig neu. Bereits am 20. August hatte Wang auf der World Robot Conference in Peking das Konzept einer „Physical AI Robot Self-Evolution V1.0“ vorgestellt. Die erneute Präsentation in Hangzhou macht deutlich, welche Rolle Unitree diesem Ansatz in seiner weiteren Softwareentwicklung einräumt.
Ein autonom funktionierendes Gesamtsystem mit unabhängig überprüften Leistungsdaten hat Unitree bislang jedoch nicht öffentlich dokumentiert.
Von der Forschungsarbeit bis zum Robotertest: der geplante KI-Kreislauf
Bei der klassischen Entwicklung neuer Roboterfähigkeiten übernehmen Ingenieure zahlreiche Arbeitsschritte selbst. Sie recherchieren geeignete Algorithmen, passen Programmcode an, trainieren Bewegungsmodelle in Simulationen und überprüfen die Resultate anschließend auf realer Hardware.
Unitree möchte möglichst viele dieser Schritte durch KI-Modelle und sogenannte Coding Agents automatisieren.
Der von Wang beschriebene Prozess besteht aus mehreren miteinander verbundenen Phasen:
- Recherche: Ein KI-Modell sucht nach wissenschaftlichen Veröffentlichungen, Open-Source-Projekten und geeigneten Algorithmen.
- Codegenerierung: Die KI erstellt oder verändert den Steuerungscode für eine bestimmte Roboteraufgabe.
- Simulation und Training: Neue Algorithmen werden zunächst in einer virtuellen Umgebung ausgeführt und bewertet.
- Tests am physischen Roboter: Ausgewählte Ergebnisse werden auf realer Hardware überprüft.
- Bewertung und Feedback: KI-Modelle und menschliche Prüfer beurteilen die Resultate. Dieses Feedback fließt in die nächste Entwicklungsrunde ein.
Das langfristige Ziel ist ein geschlossener Entwicklungszyklus: Die KI identifiziert Verbesserungsmöglichkeiten, erstellt neue Lösungen, testet sie und verwendet die Ergebnisse für weitere Iterationen.
Wang beschrieb diesen Ansatz bereits im August gegenüber chinesischen Medien. Die staatliche Nachrichtenplattform Xinhua Finance dokumentierte damals, dass Unitree dafür leistungsfähige Foundation Models mit definierten Regeln, Werkzeugen und menschlichen Bewertungen kombinieren will.
Im Oktober berichtete die South China Morning Post unter der Bezeichnung Unitree Rehearsal über die weitere Entwicklung dieses Systems.
Warum Simulation allein nicht ausreicht
Ein wesentlicher Bestandteil des Konzepts ist der Wechsel zwischen virtuellen Tests und physischen Robotern.
In einer Simulation kann ein KI-System zahlreiche Varianten eines Bewegungsalgorithmus ausprobieren, ohne Hardware zu beschädigen. Parameter lassen sich verändern, Fehler analysieren und neue Steuerungsstrategien mit vergleichsweise geringem Aufwand testen.
Der Übergang in die reale Welt bleibt jedoch schwierig. Reibung, Kontaktkräfte, Sensorausfälle, mechanisches Spiel und unvorhersehbare Bewegungen lassen sich nicht vollständig simulieren.
Ein Algorithmus, der in einer virtuellen Umgebung erfolgreich funktioniert, kann deshalb bei einer realen Greif- oder Montageaufgabe scheitern.
Genau an dieser Schnittstelle soll Unitrees Entwicklungsprozess ansetzen. Die Ergebnisse physischer Tests werden ausgewertet und als Feedback für weitere Code- und Trainingszyklen verwendet.
Die Herausforderung besteht darin, nicht nur erfolgreiche Bewegungen zu erzeugen, sondern zuverlässig zu erkennen, warum ein Versuch funktioniert oder scheitert.
Eine automatisierte Bewertung könnte beispielsweise prüfen, ob ein Roboter einen Gegenstand an der richtigen Position abgelegt hat. Deutlich schwieriger ist die Beurteilung, ob dabei zu hohe Kräfte auftraten, ein Bauteil beschädigt wurde oder die Bewegung in einer veränderten Umgebung weiterhin sicher wäre.
Wang sieht deshalb weiterhin eine Rolle für menschliche Prüfer. Sie sollen Ergebnisse bewerten und Fehler erkennen, die sich nicht ohne Weiteres durch automatische Kennzahlen erfassen lassen.
Unitree Rehearsal ist nicht dasselbe wie UnifoLM
Der Ansatz unterscheidet sich von einem gewöhnlichen Foundation Model zur Robotersteuerung.
Ein Vision-Language-Action-Modell verarbeitet beispielsweise Kamerabilder und sprachliche Anweisungen und erzeugt daraus Aktionen für den Roboter. Unitree arbeitet bereits an solchen Modellen.
Im September stellte das Unternehmen UnifoLM-WLA-1.0 mit sechs Milliarden Parametern vor. Das Modell wurde nach Herstellerangaben mit rund 2.500 Stunden realer Roboterdaten trainiert und in veröffentlichten Versuchen auf 64 unterschiedlichen Manipulationsaufgaben getestet.
Während UnifoLM-WLA-1.0 unmittelbar Roboteraktionen erzeugen soll, verfolgt Unitree Rehearsal eine andere Ebene: Es geht darum, die Entwicklung, Erprobung und Verbesserung solcher Roboteralgorithmen teilweise durch KI erledigen zu lassen.
Beide Ansätze könnten sich ergänzen. Leistungsfähigere Foundation Models könnten bessere Vorschläge für neue Steuerungsprogramme liefern. Gleichzeitig könnten reale Robotertests zusätzliche Daten erzeugen, aus denen neue Modelle und Fähigkeiten entstehen.
Wie genau Unitree Rehearsal technisch mit der UnifoLM-Modellfamilie verbunden ist, hat das Unternehmen bislang nicht detailliert offengelegt. Auch eine öffentliche Schnittstelle oder ein vollständig reproduzierbares Softwarepaket für Rehearsal ist nicht dokumentiert.
Selbstverbesserung braucht mehr als automatisch erzeugten Code
Die automatische Generierung von Roboterprogrammen ist nur ein Teil des Problems. Für eine tatsächlich selbstverbessernde Entwicklungsplattform müsste Unitree auch nachweisen, dass neue Algorithmen zuverlässig bewertet werden und Fortschritte über viele Entwicklungszyklen erhalten bleiben.
Dafür sind mehrere Fragen relevant: Wie häufig erzeugt das System funktionsfähigen Code? Wie viele Simulationsversuche sind notwendig? Welche Verbesserungen lassen sich auf reale Roboter übertragen? Und wie viel menschliche Arbeit bleibt bei der Bewertung und Fehlerbehebung erforderlich?
Öffentlich vergleichbare Ergebnisse zu diesen Punkten fehlen bislang. Unitree hat für Rehearsal weder eine systematische Erfolgsrate noch konkrete Angaben zur eingesparten Entwicklungszeit oder zur Zahl autonom abgeschlossener Iterationszyklen veröffentlicht.
Für die industrielle Nutzung wäre außerdem entscheidend, wie neue Steuerungsprogramme sicher getestet und freigegeben werden. Gerade bei Robotern, die in der Nähe von Menschen arbeiten, darf eine automatisch erzeugte Softwareänderung nicht ungeprüft in den Produktivbetrieb gelangen.
Die KI kann Entwicklungsarbeit beschleunigen. Die Verantwortung für funktionale Sicherheit, Qualitätskontrolle und den stabilen Betrieb verschwindet dadurch nicht.
Für die Robotik könnte sich die Entwicklungsökonomie verändern
Unitree verbindet seine Hardwareentwicklung zunehmend mit eigenen KI-Modellen, Simulationen und einer wachsenden Entwicklergemeinschaft. Der chinesische Hersteller bietet unter anderem mit dem humanoiden G1 eine vergleichsweise kostengünstige Forschungsplattform an.
Mit dem überarbeiteten Unitree G1+ hat das Unternehmen zuletzt auch die Hardwarebasis verbessert, darunter Antriebe, Kameras und Möglichkeiten für längere Entwicklungsversuche.
Falls sich der von Wang beschriebene Entwicklungszyklus in der Praxis bewährt, könnte das die Kosten für neue Roboterfähigkeiten verändern. Statt jeden Algorithmus überwiegend manuell zu entwickeln, könnten Teams mehr Varianten automatisch erzeugen und testen lassen.
Für deutsche Robotikunternehmen, Forschungslabore und industrielle Systemintegratoren wäre vor allem die Übertragbarkeit interessant: Lässt sich eine neue Fähigkeit mit geringerem Engineering-Aufwand auf unterschiedliche Roboter oder Anwendungen anpassen?
Die wirtschaftliche Bedeutung wäre besonders groß bei Aufgaben, für die eine individuelle Programmierung heute noch zu teuer oder zu aufwendig ist.
Bislang handelt es sich allerdings um eine Forschungsrichtung, deren Leistungsfähigkeit nicht durch unabhängige Messungen belegt ist. Auch Unitrees Prognosen über einen möglichen Durchbruch der Physical AI in den kommenden Jahren sind Erwartungen und keine bestätigten Entwicklungsmeilensteine.
Mit Rehearsal versucht Unitree damit, nicht nur den Roboter selbst intelligenter zu machen, sondern den Prozess zu automatisieren, durch den neue Roboterfähigkeiten entstehen. Ob daraus ein messbarer Vorteil bei Entwicklungskosten, Zuverlässigkeit und industrieller Einsatzfähigkeit wird, hängt von den Ergebnissen auf realer Hardware ab.