# MIT Han Lab traint robotmodel volledig in simulatie

> Het open redeneermodel met 27 miljard parameters behaalde na uitsluitend training in simulatie een slagingspercentage van 60% op een echte robot met twee armen, melden de onderzoekers.

Oossa · 2026-11-16 · https://oossa.com/nl/mit-han-lab-trains-a-robot-using-model-entirely-in-simulation

Onderzoekers van MIT Han Lab zeggen dat ze een open redeneermodel met 27 miljard parameters hebben getraind om echte robots te bedienen met reinforcement learning in simulatie, zonder demonstraties van de taken. Op een echte robot met twee armen slaagde het getrainde model in 60% van de tests; het ongetrainde model slaagde geen enkele keer.

Het model, gebaseerd op Qwen3.8-27B, verbeterde ook van 1,6% naar 74,4% op de LIBERO-benchmark voor robottaken. Volgens de onderzoekers kwam die score in de buurt van GPT-6 Astra en GPT-6.1 Sol wanneer die modellen op hun hoogste redeneerinstellingen werden gebruikt. Deze resultaten zijn afkomstig van de evaluaties van de onderzoekers en zijn niet onafhankelijk beoordeeld.

## Hoe bestuurt het een robot?

Het model krijgt camerabeelden en informatie over de robotarm, redeneert over wat het moet doen en geeft vervolgens de volgende positie van de arm door. Een robotcontroller zet die positie om in beweging. De onderzoekers vergelijken dit met een computeragent die naar een scherm kijkt en klikt, maar zeggen dat hun systeem geen extra laag met perceptietools, bewegingsplanners of vooraf gemaakte vaardigheden gebruikt.

De training maakte gebruik van reinforcement learning voor robotbediening: het model voerde taken uit in gesimuleerde omgevingen en leerde op basis van het al dan niet slagen. De software PEAR van het team biedt de trainingsinfrastructuur, met onder meer simulaties en evaluatietools. MIT Han Lab zegt het model, de code en de trainingsinfrastructuur te hebben uitgebracht.

## Werkt training in simulatie ook in de echte wereld?

Volgens de onderzoekers kon het model zijn vaardigheden toepassen op een echte robot, een andere robot en instructies die het tijdens de training niet was tegengekomen. Op LIBERO-Pro, waar wordt getest met veranderde doelen en objectopstellingen, slaagde hun model in 57,4% van de episodes met een nieuwe taak in een bekende omgeving. Het model π0.5, dat met demonstraties was getraind, slaagde in die situatie in 0,75% van de gevallen.

Dat is een ander soort test dan het simpelweg herhalen van bekende taken. Op LIBERO evalueerden de onderzoekers de modellen over 2.000 episodes. Ook melden ze geen meetbare achteruitgang op negen benchmarks voor redeneren, programmeren en beeldverwerking na de robottraining. Het artikel is een preprint op arXiv; de resultaten tonen niet aan hoe het systeem in dagelijks gebruik of met andere robots en in andere omgevingen zou presteren.

## De feiten

- Het basismodel was Qwen3.8-27B, een open redeneermodel met 27 miljard parameters.
- Het slagingspercentage op LIBERO steeg na de training van 1,6% naar 74,4%.
- Het getrainde model slaagde in 60% van de tests op een echte robot met twee armen; het basismodel slaagde in 0%.
- Bij de test op LIBERO-Pro met een nieuwe taak in een bekende omgeving behaalde het model volgens de onderzoekers een slagingspercentage van 57,4%, tegenover 0,75% voor π0.5.

## Waarom het ertoe doet

Roboticaonderzoekers kunnen het uitgebrachte model, de code en de PEAR-trainingsinfrastructuur gebruiken om te onderzoeken of training op basis van simulaties de behoefte aan taakdemonstraties kan verminderen. Het gemelde resultaat met een echte robot is veelbelovend, maar laat niet zien hoe betrouwbaar het systeem buiten de geteste robot en taken zou werken.

## Bronnen en referenties

1. [Training Reasoning Models in Simulation to Natively Use Real Robots](https://arxiv.org/abs/2611.18562) – arXiv cs.RO, 2026-11-16
2. [MIT HAN Lab](https://github.com/mit-han-lab/pear) – MIT HAN Lab
3. [MIT Han Lab](https://mit-han-lab.github.io/pear-blog/) – MIT Han Lab

Laatst bijgewerkt: 2026-11-16
