Robotik und physische KI
ROBOTERA nimmt Bestellungen für die fingerfertige Roboterhand XHAND 1 Pro-U entgegen

Wichtige PunkteROBOTERAs Pro-U-Hand spiegelt das DexUMI-Exoskelett von NVIDIA wider, sodass…
Mehr anzeigen
- ROBOTERAs Pro-U-Hand spiegelt das DexUMI-Exoskelett von NVIDIA wider, sodass menschliche Demonstrationen direkt auf Robotergelenke übertragen werden.
- GR00T 2 war bei allen drei bimanuellen Aufgaben erfolgreich, während GR00T 1.7 und π0.5 keine davon abschlossen.
- Offen lizenzierte Erfassungshardware in Kombination mit einer kommerziellen Hand ermöglicht es Teams, kraftbewusste Daten zu sammeln, ohne den Roboter zu belegen.
ROBOTERA gab am 16. November 2026 die Markteinführung der XHAND 1 Pro-U bekannt und nahm Bestellungen für eine erste Charge von 40 Exemplaren der fünffingrigen, fingerfertigen Roboterhand entgegen, wie aus der Mitteilung zur Markteinführung hervorgeht.
Die Markteinführung folgt auf den Einsatz der Hand mit 16 Freiheitsgraden in der Forschung von NVIDIA zu GR00T 2, darunter eine DexUMI-Demonstration, die Jim Fan auf der Conference on Robot Learning (CoRL) vorstellte. ROBOTERA richtet sich an Forschungsteams, Robotikentwickler und Industriepartner, die an geschickter Manipulation, dem Lernen von Robotern und realen Robotikanwendungen arbeiten.
Die Hand an menschliche Demonstrationen anpassen
ROBOTERA entwickelte die Pro-U auf Grundlage des DexUMI-Exoskeletts von NVIDIA GEAR Lab – einem tragbaren Gerät, das menschliche Demonstrationen aufzeichnet, ohne dass ein Roboter benötigt wird. Nach Angaben des Unternehmens übertragen die jeweils einander entsprechenden Gelenke Bewegungen direkt zwischen Exoskelett und Roboterhand, sodass weniger zusätzliche Bewegungsumwandlung erforderlich ist. Bei der Überarbeitung wurden außerdem die Positionierung des Daumens, die taktile Sensorik an der Handfläche und die Beweglichkeit angepasst, um natürliche Demonstrationen und unterschiedliche Greifhaltungen zu ermöglichen.
Laut dem Whitepaper zu GR00T 2 bildet GEAR DexUMI die Gelenkkinematik, Kontaktflächen, die Handgelenkkamerahalterung und das Format der taktilen Daten der XHAND1 Pro-U nach; dabei werden die Gelenke eins zu eins den Gelenken des Roboters zugeordnet. Jede GEAR-DexUMI-Einheit kombiniert 15 magnetische Encoder zur Erfassung der Fingergelenke, eine OAK-Handgelenkkamera und Fingerspitzensensoren für Normal- und Scherkräfte. Zwei Einheiten können gleichzeitig getragen werden, um beidhändige Demonstrationen aufzuzeichnen.
Von der Demonstration zur Ausführung durch den Roboter
Während der Datenerfassung manipuliert eine Person direkt reale Objekte, während DexUMI die Handbewegungen, Videos der Handgelenkkamera und die Kräfte an den Fingerspitzen aufzeichnet. Mit diesen Demonstrationen wird GR00T 2 nachtrainiert; die erlernten Fertigkeiten werden dann auf einem zwearmigen Tianji-Roboter mit zwei XHAND1-Pro-U-Händen ausgeführt. Für die drei ausgewerteten Aufgaben erfolgte das Nachtraining ausschließlich anhand der tragbaren Demonstrationen – ohne aufgabenspezifische Teleoperation oder zusätzliche allgemeine Bewegungsdaten von Robotern. Während der Datenerfassung steuerte kein Bediener den Zielroboter aus der Ferne.
Die Kraftaufzeichnungen fließen auch in die Steuerung ein. NVIDIA wandelt die Kräfte an den Fingerspitzen in Gelenkdrehmomente um und fügt diese den Aktionssollwerten des Roboters hinzu. Während der Ausführung verringert das vorhergesagte Drehmoment die Steifigkeit jedes Gelenks und verschiebt dessen Positionssollwert. So kann die Hand die vorhergesagte Kraft ausüben und zugleich Positionsunsicherheiten ausgleichen. Dieser Mechanismus unterstützt kontaktintensive Aktionen wie das Schneiden, das Aufschrauben eines Deckels und das Anzünden eines Streichholzes.
NVIDIA veröffentlicht die DexUMI-Hardwaredesigns und die Dokumentation unter CC BY 4.0, ausgenommen Produktfotos von Anbietern, und stellt die Software zur Datenerfassung standardmäßig unter Apache-2.0 bereit. Die Beschreibungsdateien für die Roboter des Anbieters sind separat unter MIT lizenziert, während die kommerzielle Roboterhand von ROBOTERA den Ausführungsteil desselben Arbeitsablaufs bereitstellt.
Ergebnisse bei drei beidhändigen Aufgaben
Die Auswertung umfasste drei mehrstufige Abläufe, in denen Werkzeuggebrauch, Übergaben von einer Hand in die andere und der Umgang mit Deckeln kombiniert wurden. Bei der Zubereitung von Bananen-Joghurt musste ein Messer geholt, eine Banane geschnitten, der Joghurtdeckel abgenommen und die Stücke in eine Schüssel gelegt werden. Für das Schöpfen von Granola musste ein Glas von einer Hand in die andere übergeben, dessen Deckel aufgeschraubt und ein Pfannenwender verwendet werden. Bei der Aufgabe zur Feuerchemie schlug der Roboter ein Streichholz an, entzündete damit eine Lampe unter einem Kolben und löschte das Streichholz anschließend in Wasser.
In der Auswertung von NVIDIA erzielte GR00T 2 eine Gesamterfolgsquote von 60 % bei Bananen-Joghurt, 80 % beim Schöpfen von Granola und 75 % bei der Feuerchemie. GR00T 1.7 und π0.5, die mit denselben DexUMI-Demonstrationen und derselben Datenrezeptur nachtrainiert worden waren, bewältigten keine der drei vollständigen Aufgaben. Diese Ergebnisse beziehen sich auf die festgelegten Testabläufe und stellen keine allgemeine Zuverlässigkeitskennzahl für andere Aufgaben oder Einsatzumgebungen dar.
Die Kombination aus unter offenen Lizenzen verfügbaren Erfassungsdesigns und einer passenden kommerziellen Hand bietet Forschungsteams eine konkrete Möglichkeit, kraftbasierte Demonstrationen aufzuzeichnen, ohne den Zielroboter dafür zu beanspruchen. Die verbleibende Einschränkung betrifft die Ausführung: Die Ergebnisse zeigen zwar einen Transfer über alle drei Abläufe hinweg, doch angesichts der fehlgeschlagenen Versuche bleibt eine durchgehend zuverlässige Leistung von Anfang bis Ende die offene Frage für einen breiteren Einsatz.












