# Language-Forcing erhöht die Erfolgsquote humanoider Roboter

> Die neue Trainingsmethode steigert die Erfolgsquote bei realen Aufgaben von 53% auf 71% – ohne zusätzliche Laufzeitkosten.

Oossa · 2026-10-20 · https://oossa.com/de/language-forcing-boosts-humanoid-robot-task-success

Forschende unter der Leitung von Yanjun Li haben LANGUAGE‑FORCING vorgestellt. Mit dieser Methode werden Welt-Aktionsmodelle für Roboter anhand von Sprachbeschreibungen des Aufgabenfortschritts trainiert. Dazu werden Texteinbettungen aus einem eingefrorenen Vision-Language-Modell mit den vorhergesagten visuellen Eindrücken des Roboters aus der Zukunft abgeglichen. Der zusätzliche Aufwand fällt nur beim Training an; der Roboter arbeitet daher genauso schnell wie zuvor. Im HumanoidArena-Benchmark erzielte die Methode eine Erfolgsquote von 79.17% und lag damit 9.46 Punkte vor der nächstbesten Strategie. Bei fünf Aufgaben in der realen Welt stieg die Erfolgsquote von 53.33% auf 71.33%.

## Die Fakten

- Studie veröffentlicht am 2026-10-20 ("Tue Oct 20 2026").
- Erfolgsquote im HumanoidArena-Benchmark: 79.17%, 9.46 Punkte über der stärksten Konkurrenz.

## Warum es wichtig ist

Für Entwickler humanoider Roboter bietet die Technik eine höhere Zuverlässigkeit bei Aufgaben, ohne den Roboter im Betrieb auszubremsen.

## Quellen und Referenzen

1. [Language-Forcing: Advancing Humanoid Loco-Manipulation via Semantic Alignment of Whole-Body World Action Models](https://arxiv.org/abs/2610.23894) – arXiv cs.RO, 2026-10-20

Zuletzt aktualisiert: 2026-10-20