Vierbeiniger Roboter lernt, im Lauf durch enge Öffnungen zu springen
von Roboterwelt Redaktion1. September 2026
Hunde springen aus vollem Lauf durch Öffnungen, die kaum größer sind als sie selbst. Ein Team der University of Hong Kong und des Oxford Robotics Institute hat einem Unitree Aliengo genau das beigebracht – mit einem zweistufigen Lernverfahren und einer echten Flugphase.
Hunde, Katzen oder Wölfe springen ohne sichtbares Zögern durch Öffnungen, die kaum größer sind als ihr eigener Körper – und das aus vollem Lauf. Für vierbeinige Roboter war das bislang kaum machbar. Ein Team der University of Hong Kong (HKU) und des Oxford Robotics Institute zeigt nun an einem Unitree Aliengo, wie ein Roboterhund diese Aufgabe eigenständig löst: Er erkennt ein Tor mit der Bordkamera, beschleunigt, springt, zieht die Beine in der Luft an und landet dahinter. Die Arbeit ist in der Fachzeitschrift Advanced Robotics Research erschienen.
Worum es geht
Das Durchqueren enger Lücken im Flug gilt bei Drohnen seit Jahren als Standardtest für Wendigkeit, weil Wahrnehmung, Entscheidung und Steuerung innerhalb von Sekundenbruchteilen zusammenspielen müssen. Bei Laufrobotern gab es dafür bislang kaum Beispiele. Bekannte Ansätze für enge Passagen setzen auf Kriechgänge unter niedrigen Hindernissen oder auf seitliches Durchzwängen – der Roboter behält dabei immer Bodenkontakt.
Ein Sprung durch ein Tor ist schwieriger: Während der Flugphase fehlt der Bodenkontakt, und damit fast jede Möglichkeit, die Bewegung noch zu korrigieren. Absprungpunkt, Geschwindigkeit und Beinhaltung müssen vorher stimmen.
Peng Lu, Leiter des Adaptive Robotic Controls Lab (ArcLab) an der HKU und Seniorautor der Studie, beschreibt die Ausgangsfrage gegenüber Tech Xplore so:
„Bei Drohnen gilt der Flug durch eine schmale Lücke seit Langem als ultimative Prüfung der Agilität – er zwingt Wahrnehmung, Entscheidungsfindung und Steuerung dazu, innerhalb von Sekundenbruchteilen zusammenzuarbeiten. Wir haben uns immer wieder gefragt, warum niemand dasselbe von einem Bodenroboter verlangt hat.“
Und weiter: Vierbeinige Roboter seien mechanisch durchaus dazu in der Lage, nutzten aber selten mehr als einen Bruchteil ihrer Hardwaregrenzen. Als Vorbild diente das Verhalten von Hunden, die auf einen Reifen zulaufen, den Absprung im Lauf abschätzen, die Beine anziehen und laufend landen.
Wie der Roboter das lernt
Das Verfahren, das die Autoren ConsJump nennen, trennt die Aufgabe in zwei Ebenen, die beide per Reinforcement Learning trainiert werden.
Untere Ebene: das Bewegungsrepertoire
Eine Steuerung lernt, Geschwindigkeitsbefehle umzusetzen und dabei Bewegungen echter Tiere zu imitieren. Grundlage sind Motion-Capture-Aufnahmen von Hunden mit verschiedenen Gangarten und Tempi – Passgang, Galopp, Sprünge und Richtungswechsel –, die per inverser Kinematik auf die Geometrie des Roboters übertragen wurden.
Trainiert wird mit einem Diskriminator-Netz nach dem Prinzip generativer Modelle: Der Roboter soll sich so bewegen, dass ein Bewertungsnetz seine Bewegung nicht von den Tieraufnahmen unterscheiden kann. Sprungsequenzen wurden im Training sechsmal häufiger gezogen als langsame Bewegungen, weil sie sonst schwer zu lernen sind. Das Ergebnis ist eine einzige Steuerung, bei der die Gangart vom befohlenen Tempo abhängt: Bei niedrigen Geschwindigkeiten läuft der Roboter im Passgang, ab etwa 1,4 m/s geht er in einen Laufsprung über.
Obere Ebene: die Entscheidung
Eine zweite, deutlich einfachere Steuerung gibt der unteren nur zwei Werte vor: Vorwärtsgeschwindigkeit und Drehrate. Sie erhält den Roboterzustand sowie Position und Größe des Tors und lernt, wann sie beschleunigen und wie sie den Anlauf ausrichten muss, damit der Sprung durch die Tormitte gelingt. Die untere Ebene wird dabei nicht mehr verändert – sie erzeugt aus den Vorgaben von selbst die passende Bewegung.
Wahrnehmung
Ein Bilderkennungsmodul findet das schwarze, quadratische Tor im Kamerabild, berechnet aus Farb- und Tiefendaten die Lage der vier Ecken im Raum und daraus Mittelpunkt und Innenmaß. Die drei Bausteine arbeiten mit unterschiedlichem Takt: die Wahrnehmung mit 30 Hz, die Entscheidungsebene mit 10 Hz, die Bewegungssteuerung mit 50 Hz.
Trainiert wurde in der Simulation (Isaac Gym) mit 5.480 parallel laufenden Roboterinstanzen auf einem Desktop-PC mit RTX-4080-Grafikkarte: rund 11,5 Stunden für die untere und 6 Stunden für die obere Ebene. Damit die simulierte Steuerung auf der echten Hardware funktioniert, wurden Motorstärke, Latenz, Zusatzmasse sowie Position, Größe und Dicke des Tors im Training zufällig variiert.
Die Hardware
Versuchsträger ist ein Unitree Aliengo mit 22 kg Gewicht und etwa 45 Nm maximalem Drehmoment pro Gelenk. Darauf montiert sind eine nach vorn gerichtete Intel-RealSense-D435i-Tiefenkamera und ein Intel NUC als Rechner. Die Tests fanden in einem 6 × 3 Meter großen Motion-Capture-Bereich statt; ein VICON-System liefert die Position des Roboters im Raum.
Der Aliengo gehört zu den frühen Profi-Vierbeinern des Herstellers und hat dessen Ruf in der Forschung mitbegründet. Wie Unitree Robotics vom Studentenprojekt zum Weltmarktführer wurde, zeichnet unser Artikel zur Geschichte von Unitree Robotics nach.
Was der Roboter tatsächlich tut
Im Versuch nähert sich der Aliengo dem Tor zunächst langsam im Passgang. Kurz davor beschleunigt er auf bis zu 2,5 m/s, wobei die Motoren der Hinterbeine beim Absprung nahe an ihrer Belastungsgrenze arbeiten. In der Luft winkelt der Roboter die hinteren Unterschenkelgelenke um mehr als 140 Grad an, damit die Füße die Torkante nicht berühren. Die Flugphase dauert etwa 0,44 Sekunden. Nach der Landung fangen die Vorderbeine mit hohem Drehmoment den Aufprall ab.
Eine vorgegebene Bewegungs- oder Kontaktabfolge gibt es nicht; die Steuerung leitet den Ablauf aus der jeweiligen Situation ab. Die Autoren zeigen auch einen Absprung von unebenem Untergrund.
Die Tore hatten im Training ein Außenmaß von 0,7 bis 1,0 Metern – also ungefähr die Körpergröße des Roboters. Nach Angaben der Autoren gehört die Arbeit zu den ersten, bei denen ein Laufroboter eine derart enge Öffnung mit echter Flugphase autonom durchquert und das auf realer Hardware belegt wurde.
Einordnung
Einige Einschränkungen sind der Veröffentlichung zu entnehmen:
Die Ortung des Roboters kommt aus einem externen Motion-Capture-System. Für einen Einsatz außerhalb des Labors müsste die Eigenlokalisierung an Bord erfolgen.
Das Tor ist ein definiertes, kontrastreiches Quadrat; die Erkennung ist auf diesen Fall zugeschnitten.
Die Versuche fanden auf einer ebenen Fläche von 6 × 3 Metern statt.
Interessant ist der Ansatz vor allem wegen seiner Struktur: Die Bewegungsebene ist unabhängig von der Aufgabe. Die Autoren zeigen, dass sich das System durch Austausch der Entscheidungsebene auf andere dynamische Aufgaben übertragen lässt, ohne die Bewegungssteuerung neu zu trainieren. Damit reiht sich die Arbeit in eine Reihe aktueller Veröffentlichungen ein, in denen Vierbeiner ihre Gangart selbstständig an die Umgebung anpassen, statt für jede Situation einzeln programmiert zu werden.
Wozu das gut sein soll, sagt Peng Lu selbst am deutlichsten: Es gehe um Roboter in unaufgeräumten Umgebungen auf menschlichem Maßstab – eingestürzte Gebäude, Industrieanlagen –, wo erst die Fähigkeit, sich auf ein dynamisches Manöver festzulegen, statt jedes Hindernis langsam zu umgehen, einen Weg überhaupt gangbar macht.
Für kommerzielle Roboterhunde wie den Aliengo bedeutet das mittelfristig, dass sich Fähigkeiten wie das Überwinden von Hindernissen oder das Durchqueren enger Stellen als Software nachrüsten lassen könnten – vorausgesetzt, Wahrnehmung und Lokalisierung kommen ohne Laborausstattung aus.
Quellen
Hunde, Katzen oder Wölfe springen ohne sichtbares Zögern durch Öffnungen, die kaum größer sind als ihr eigener Körper – und das aus vollem Lauf. Für vierbeinige Roboter war das bislang kaum machbar. Ein Team der University of Hong Kong (HKU) und des Oxford Robotics Institute zeigt nun an einem Unitree Aliengo, wie ein Roboterhund diese Aufgabe eigenständig löst: Er erkennt ein Tor mit der Bordkamera, beschleunigt, springt, zieht die Beine in der Luft an und landet dahinter. Die Arbeit ist in der Fachzeitschrift Advanced Robotics Research erschienen.
