Open X-Embodiment vs. DROID vs. RH20T: Wie sie sich unterscheiden

Man beginnt am besten mit einer Zahl, die jeder zitiert: Open X-Embodiment bringt mehr als eine Million reale Roboter-Trajektorien mit. Das klingt eindeutig. Bei genauerem Hinsehen zeigt sich jedoch, dass sich diese Million aus über 60 einzelnen Datensätzen zusammensetzt, aufgezeichnet auf 22 verschiedenen Robotern, die sich nicht einmal darüber einig sind, was eine einzelne Aktion überhaupt bedeutet. Bei dem einen Roboter ist „Bewegen“ ein Gelenkgeschwindigkeitsbefehl, bei einem anderen eine Endeffektor-Pose, ein dritter protokolliert einen diskretisierten Greifer-Schaltzustand. Der Umfang in der Schlagzeile ist real. Die Vergleichbarkeit nicht.

Diese Lücke ist die ganze Geschichte moderner Manipulationsdaten. Drei der meistzitierten Sammlungen, Open X-Embodiment, DROID und RH20T, liefern drei unterschiedliche Antworten auf dieselbe Frage: Woher bekommt man genug Demonstrationen, um eine Policy zu trainieren, die generalisiert? Open X-Embodiment bündelt alles, was die Community bereits hatte. DROID setzt einen einzigen standardisierten Arm in Hunderte reale Räume. RH20T verengt den Umfang und stattet ihn mit jedem Sensor aus, der sich zu erfassen lohnt. Keines der drei ist „das größte“ in einem Sinn, der die Debatte entscheidet, denn sie messen nicht dasselbe.

Der aussagekräftige Vergleich verläuft entlang dreier Achsen, und nur die erste wird üblicherweise zitiert. Der Umfang zeigt, wie viele Episoden existieren und, wichtiger noch, was eine einzelne Episode wert ist. Die Sensorik zeigt, was ein Modell tatsächlich wahrnehmen kann. Die Provenienz, also wer die Daten unter welchem Protokoll, mit welcher Hardware und unter welcher Lizenz erfasst hat, zeigt, ob die Zahlen überhaupt vergleichbar sind und ob ein Training darauf rechtlich zulässig ist. Käufer unterschätzen die dritte Achse, bis sie zum Hindernis wird.

Was „Umfang“ tatsächlich verbirgt

Zunächst die drei Schlagzeilenzahlen für bare Münze genommen: Open X-Embodiment aggregiert mehr als eine Million Trajektorien aus über 60 vorherigen Datensätzen und 22 Roboterkörpern. DROID steuert rund 76.000 teleoperierte Trajektorien bei, etwa 350 Stunden, über 564 Szenen und 86 Aufgaben verteilt. RH20T umfasst mehr als 110.000 Roboter-Episoden, gepaart mit menschlichen Demonstrationen, über 147 Aufgaben hinweg. Nach reiner Stückzahl gewinnt Open X-Embodiment um eine Größenordnung.

Rechnet man ein, was eine einzelne Episode wert ist, verschiebt sich das Bild. Die Million von Open X-Embodiment ist von Natur aus heterogen: unterschiedliche Arme, Greifer, Steuerfrequenzen, Kamerazahlen und Aktionsräume, vereinheitlicht in einem gemeinsamen RLDS-Format, aber nicht in gemeinsamer Physik. Eine Policy muss implizit lernen, welchen Roboter sie gerade vor sich hat. Die Episoden von DROID sind einheitlich, weil die Hardware feststeht, sodass die Variation dort liegt, wo sie erwünscht ist: in Szenen und Aufgaben, nicht in der Plattform. RH20T tauscht aggregierte Trajektorienzahl gegen Tiefe: enger im Umfang als der gepoolte Datensatz, aber jede Interaktion wird mit Kontaktinformationen erfasst, die die meisten Datensätze nie einfangen.

Drei Sensorphilosophien

Die Sensorik entscheidet, worauf eine Policy überhaupt achten kann, und hier gehen die drei deutlich auseinander. Open X-Embodiment erbt, was jedes beitragende Labor zufällig aufgezeichnet hat. Viele Quelldatensätze führen nur eine einzelne RGB-Kamera und keine Tiefe; manche fügen eine Handgelenkskamera hinzu; einige wenige enthalten hochfrequente Propriozeption. Die Vereinigungsmenge ist breit, aber uneinheitlich, und ein darauf trainiertes Modell muss fehlende Kanäle tolerieren.

DROID standardisiert das Setup. Jede Episode nutzt einen Franka Panda mit zwei szenenmontierten ZED-Stereokameras und einer ZED am Handgelenk, was kalibrierte Stereo-Tiefe in jedem Einzelbild liefert. Genau diese Konsistenz ist der Punkt: Wer untersuchen will, ob eine Policy über Küchen und Büros hinweg generalisiert, will nicht, dass sich der Kameraaufbau währenddessen ändert. Die Tiefe stammt aus Stereo, was günstiger und portabler ist als aktive Sensoren, auf texturlosen Oberflächen aber stärker rauscht.

RH20T geht den umgekehrten Weg und rüstet gezielt für Kontakt aus. Neben mehreren kalibrierten RGB-D-Ansichten zeichnet es sechsachsige Kraft-Moment-Daten und Audio auf, also genau die Kanäle, die zählen, wenn eine Aufgabe Einführen, Wischen oder irgendetwas umfasst, bei dem Vision allein nicht verrät, ob der Greifer zu fest zudrückt. Bei kontaktreicher Manipulation ist diese zusätzliche Sensorik oft mehr wert als weitere 100.000 rein visuelle Clips.

Eine Trajektorienzahl ist eine Vanity-Metrik, bis man den Roboter, die Sensorik und die Lizenz hinter jedem Einzelbild kennt.

Provenienz entscheidet, was sich vertrauen lässt

Provenienz ist die Achse, die entscheidet, ob die anderen beiden überhaupt nutzbar sind. Open X-Embodiment ist eine Föderation: Seine Stärke ist, Dutzende unabhängiger Vorhaben vereinheitlicht zu haben, seine Schwäche, dass es deren Lizenzen, Einwilligungsstatus und Dokumentationsqualität pauschal übernimmt. Manche Teildatensätze sind großzügig lizenziert und gut beschrieben, andere haben dünne Metadaten. Wer eine kommerzielle Policy auf dem gepoolten Korpus trainiert, erbt diesen Flickenteppich und muss ihn Datensatz für Datensatz prüfen.

DROID wurde als ein einziges koordiniertes Programm erhoben: 50 Mitwirkende an 13 Institutionen in Nordamerika, Asien und Europa führten rund ein Jahr lang dasselbe Protokoll auf derselben Hardware aus. Diese Koordination bringt saubere, vergleichbare Metadaten und eine einzige Lizenz, mit der man rechnen kann. RH20T ist noch enger gefasst, ein einzelnes Forschungsprogramm mit fixem Sensor-Stack und gepaarten menschlichen Demonstrationen, die für dieselben Aufgaben aufgezeichnet wurden, was Mensch-zu-Roboter-Transferexperimente darauf überhaupt handhabbar macht.

Für eine Ingenieurin oder einen Ingenieur ist das kein bloßer Papierkram. Die Provenienz bestimmt die Reproduzierbarkeit, ob sich nach Roboter oder Szene filtern lässt, ob ein darauf trainiertes Modell rechtlich ausgeliefert werden darf und ob das Due-Diligence-Team eines Partners grünes Licht gibt. Je sauberer die Provenienz, desto weniger Überraschungen bei der Prüfung.

Wofür sich welcher Datensatz am besten eignet

Diese Unterschiede spiegeln sich in unterschiedlichen Einsatzzwecken. Open X-Embodiment existiert, um Cross-Embodiment-Transfer zu demonstrieren: Die darauf trainierten RT-X-Modelle zeigten, dass das Bündeln von Daten über Roboter hinweg die Leistung jedes einzelnen heben kann, und der gepoolte Korpus hat sich seither zu einer Standard-Pretraining-Basis für generalistische Policies entwickelt. Cross-Embodiment-Foundation-Vorhaben wie NVIDIA Isaac GR00T und das offene Hugging Face LeRobot-Ökosystem stützen sich genau auf diese Prämisse: dass Breite an Roboterkörpern ein Merkmal ist, kein Rauschen.

DROID ist für Generalisierungsstudien auf einer fixen Plattform gebaut: den Roboter konstant halten, die Welt variieren und messen, was sich überträgt. RH20T ist für Skill Learning gebaut, bei dem Kontakt und Kraft zählen, sowie für One-Shot-Imitation aus einer gepaarten menschlichen Demonstration. Wer einen Arm der Franka-Klasse für vielfältige Haushaltsaufgaben einsetzen will, liegt mit DROID näher an der eigenen Verteilung. Wer kontaktreiche Montage im Blick hat, für den ist der Kraftkanal von RH20T kaum zu ersetzen. Wer einen Roboter einsetzt, den keiner der drei verwendet hat, für den ist die Breite von Open X-Embodiment die Absicherung.

Die Wahl zwischen ihnen

Es gibt keinen einzelnen Sieger, und wer die Trajektorienzahl als Rangliste behandelt, erlebt am Ende die Überraschung. Open X-Embodiment eignet sich, wenn Breite an Roboterkörpern gebraucht wird und der Lizenz- und Normalisierungsaufwand tragbar ist. DROID eignet sich, wenn kontrollierte Szenenvielfalt auf einem bekannten Arm gewünscht ist. RH20T eignet sich, wenn Kontakt und Kraft über die Aufgabe entscheiden. Und dann lohnt sich die eigene Lektüre der Quellen: Open X-Embodiment, DROID und RH20T dokumentieren ihre eigenen Kompromisse jeweils ehrlicher, als es eine Zusammenfassungstabelle je könnte. Die Zahl auf der Packung war nie der Punkt.