# Neue Roboter-Lernmethode ACG-WAM schlägt bisherige Modelle

> ACG-WAM erreicht in simulierten Umgebungen eine Erfolgsquote von über 93% und bei realen Robotern 85% – bis zu 10 Prozentpunkte mehr als das bisher beste System.

Oossa · 2026-10-07 · https://oossa.com/de/new-robot-learning-method-acg-wam-beats-prior-models-on-robotwin-tasks

Forschende haben mit ACG-WAM eine neue Methode vorgestellt, mit der Roboter lernen, anhand visueller Eingaben zu handeln. Bei 50 simulierten Aufgaben in RoboTwin 2.0 war das System in unveränderten Umgebungen in 93.46% der Fälle erfolgreich, bei randomisierten Szenen in 92.68%. Bei drei Aufgaben in der realen Welt erzielte es eine vollständige Erfolgsquote von 85.00% und einen Wert von 91.67% bei teilweiser Erfüllung. Damit übertraf es das bisher beste System, Motus, um 10 beziehungsweise 9.17 Prozentpunkte.

## So funktioniert ACG-WAM

Die Methode ergänzt einen Hilfsprädiktor, der mehrere Schritte im Voraus geometrische Merkmale wie die Position und Form von Objekten vorhersagt. Dafür nutzt er die aktuelle Kamerasicht des Roboters und die Aktionen, die dieser ausführen wird. Trainiert wird der Prädiktor mit Zielwerten aus einem eingefrorenen visuellen Encoder, der Paare aktueller und zukünftiger Bilder verarbeitet. Nach dem Training werden der zusätzliche Prädiktor und die Lehrermodule entfernt. Übrig bleibt ein schlankes Modell, das auf dem Roboter laufen kann.

## Was das für Anwender bedeutet

Die höheren Erfolgsquoten sowohl in Simulationen als auch mit realer Hardware deuten darauf hin, dass Roboter mit ACG-WAM Aufgaben zuverlässiger und mit weniger Ausprobieren lernen könnten. Für Unternehmen, die Roboter in Fabriken oder Lagerhallen einsetzen, könnte die Methode Ausfallzeiten durch fehlgeschlagene Versuche verringern und die Zeit verkürzen, die zum Anlernen neuer Verhaltensweisen benötigt wird.

## Die Fakten

- Die Arbeit wurde am 3 Oct 2026 eingereicht und am 7 Oct 2026 auf arXiv veröffentlicht.
- ACG-WAM erreichte bei simulierten RoboTwin-2.0-Aufgaben in unveränderten Umgebungen eine Erfolgsquote von 93.46%.
- In randomisierten simulierten Szenen lag die Erfolgsquote bei 92.68% – der höchste Wert unter den verglichenen Methoden.
- Bei drei Aufgaben mit realen Robotern erzielte das System eine vollständige Erfolgsquote von 85.00% und einen Wert von 91.67% bei teilweiser Erfüllung.
- Das bisher beste System, Motus, übertraf es um 10.00 beziehungsweise 9.17 Prozentpunkte.

## Warum es wichtig ist

Für die Leitung eines Werks bedeuten die höheren Erfolgswerte, dass Roboter neue Aufgaben möglicherweise schneller und mit weniger Fehlern erlernen können. Das könnte die Schulungskosten senken. Die Arbeit macht jedoch keine Angaben zur langfristigen Zuverlässigkeit oder dazu, wie gut sich die Methode auf komplexere Aufgaben übertragen lässt. Diese Vorteile müssen sich daher erst noch in größeren Einsätzen bestätigen.

## Quellen und Referenzen

1. [ACG-WAM: World-Action Modeling via Action-Conditioned Geometric Latent Prediction](https://arxiv.org/abs/2610.06965) – arXiv cs.RO, 2026-10-07

Zuletzt aktualisiert: 2026-10-07