Fortschritte in der Robotik: Automatisierung des Wäschefaltens durch innovative Forschungsprojekte

Die Automatisierung alltäglicher Aufgaben stellt für die Robotik eine fortwährende Herausforderung dar. Insbesondere das Falten von Textilien, eine für Menschen triviale Tätigkeit, erweist sich für Maschinen aufgrund der komplexen physikalischen Eigenschaften von Stoffen als äußerst anspruchsvoll. Aktuelle Forschungsprojekte und Entwicklungen zielen darauf ab, diese Hürden zu überwinden und Roboter für das effiziente und zuverlässige Wäschefalten zu trainieren.

Die Komplexität des Wäschefaltens für Roboter

Textilien sind im Gegensatz zu starren Objekten hochgradig deformierbar. Ihre Form ändert sich kontinuierlich, sie können sich selbst verdecken und unterschiedlich auf Berührungen reagieren. Diese Eigenschaften erschweren die präzise Wahrnehmung und Manipulation durch Roboter erheblich. Schon ein kleiner Fehler beim Greifen kann weitreichende Auswirkungen auf das Endergebnis haben und zu Falten oder unvollständigen Faltvorgängen führen. Hinzu kommt die Vielfalt an Materialien, Größen und Texturen von Kleidungsstücken, die eine hohe Anpassungsfähigkeit der Robotersysteme erfordert.

Aktuelle Forschungsansätze und Projekte

Unfolding Robotics: Der datenintensive Weg

Ein bemerkenswertes Projekt, das unter dem Namen "Unfolding Robotics" bekannt wurde, verfolgt einen datengetriebenen Ansatz. Ein Team von Forschenden trainierte einen Roboter, Kleidungsstücke zu falten, indem es acht bimanuale Aufbauten nutzte, über 100 Stunden Demonstrationen sammelte und mehr als 5.000 GPU-Stunden für das Training aufwendete. Dieser Ansatz betont die Bedeutung von umfassenden Daten, der Analyse von Fehlern und der transparenten Veröffentlichung von Code und Details, um die Forschungsgemeinschaft zu unterstützen. Die Veröffentlichung der Daten und des Codes im Rahmen von LeRobot (Version 0.5.1) ermöglicht es anderen Forschenden, auf diesen Erkenntnissen aufzubauen und die Technologie weiterzuentwickeln.

Das Projekt legt dar, welche Robotertypen, Kameras und Teleoperations-Setups verwendet wurden, wie qualitativ hochwertige Demonstrationen gesammelt werden können und welche Modellarchitektur sowie Trainingsmethode die besten Ergebnisse lieferten. Ein zentrales Ergebnis ist, dass das Imitationslernen, bei dem der Roboter direkt aus menschlichen Demonstrationen lernt, effektiver ist als regelbasierte oder skriptgesteuerte Ansätze. Dies gilt insbesondere für die Manipulation deformierbarer Objekte.

BiFold: Sprachgesteuertes bimanuales Falten

Ein weiteres zukunftsweisendes Projekt ist "BiFold: Bimanual Cloth Folding with Language Guidance". Dieses Modell nutzt ein vortrainiertes Vision-Language Model (VLM), um Faltaktionen basierend auf Textbefehlen auszuführen. Die Übersetzung abstrakter Anweisungen in präzise Roboteraktionen erfordert ein ausgeklügeltes Sprachverständnis und Manipulationsfähigkeiten.

BiFold verwendet eine SigLIP-basierte Architektur, die mit LoRA (Low-Rank Adaptation) feinabgestimmt wurde, um RGB-Bilder und vergangene Beobachtungen für die Vorhersage von Aktionen zu nutzen. Ein neuartiger Datensatz mit automatisch analysierten Aktionen und sprachlich ausgerichteten Anweisungen wurde erstellt, um das Lernen der textgesteuerten Manipulation zu verbessern. Das System zeigte eine überlegene Leistung bei bestehenden Benchmarks und demonstrierte eine starke Generalisierungsfähigkeit auf neue Anweisungen, Kleidungsstücke und Umgebungen. Die Fähigkeit, den Kontext früherer Aktionen zu berücksichtigen, ist dabei ein entscheidender Faktor.

UniFolding: Effizienz und Generalisierbarkeit

Das "UniFolding"-System konzentriert sich auf die Entwicklung eines robotergestützten Systems, das sowohl effizient in der Datennutzung als auch skalierbar und generalisierbar für verschiedene Arten von Kleidungsstücken ist. UniFolding setzt das sogenannte UFONet-Neuronalnetzwerk ein, um Entfaltungs- und Faltentscheidungen in einem einzigen Policy-Modell zu integrieren. Dieses Modell ist an unterschiedliche Kleidungsstücktypen und -zustände anpassbar. Die Datenerfassung erfolgt über einen menschzentrierten Prozess, der Offline-Demonstrationen mittels Virtual Reality und Online-Feinabstimmungen durch menschliche Eingriffe kombiniert. Das System wurde an verschiedenen Hemdtypen mit unterschiedlichen Texturen, Formen und Materialien getestet.

Herausforderungen und zukünftige Perspektiven

Trotz der Fortschritte in der Roboter-Textilmanipulation bleiben signifikante Herausforderungen bestehen:

• Sim-to-Real Gap: Die Übertragung von in Simulation erlernten Fähigkeiten auf reale Robotersysteme ist komplex. Unterschiede in der Physik von Stoffen, Beleuchtung und Sensorrauschen können die Leistung erheblich beeinträchtigen.
• Datenqualität und -quantität: Hochwertige und vielfältige Demonstrationsdaten sind entscheidend für das Imitationslernen. Das Sammeln dieser Daten ist jedoch zeit- und ressourcenintensiv.
• Robustheit gegenüber Variationen: Roboter müssen in der Lage sein, eine breite Palette von Kleidungsstücken mit unterschiedlichen Materialien, Größen und Verformungen zu handhaben.
• Umgang mit komplexen Zuständen: Überlappende Stoffschichten und verhedderte Kleidungsstücke stellen weiterhin eine Schwierigkeit dar.
• Grasping-Präzision: Die Auswahl des richtigen Greifpunkts ist von größter Bedeutung, da selbst kleine Fehler zu suboptimalen Faltergebnissen führen können.

Zukünftige Forschungsrichtungen könnten die Verfeinerung der Simulationsgenauigkeit, die Nutzung fortschrittlicherer Physik-Engines und die Integration dynamischer Planungsstrategien unter Verwendung von Large Language Models (LLMs) umfassen. Die Modularität von Systemen wie BiFold eröffnet zudem Potenziale für die Erweiterung auf andere Manipulationsaufgaben in verschiedenen Branchen, wie beispielsweise im Gesundheitswesen, wo anpassungsfähige und effiziente Manipulation von großer Bedeutung ist.

Die aktuellen Entwicklungen zeigen, dass die Robotik auf dem Weg ist, auch komplexe Aufgaben wie das Wäschefalten zu meistern. Die Kombination aus datenintensivem Lernen, bimanualer Manipulation und der Integration von Sprachmodellen verspricht eine Zukunft, in der Roboter einen noch größeren Beitrag zur Automatisierung im Alltag und in der Industrie leisten können.

Bibliographie

• Barbany, O., Colomé, A., & Torras, C. (2025). BiFold: Bimanual Cloth Folding with Language Guidance. ICRA 2025. Verfügbar unter: https://barbany.github.io/bifold/ und https://arxiv.org/abs/2501.16458
• Kooijmans, P. (2026). Releasing the Unfolding Robotics blog! Time to unfold robotics: we trained a robot to fold clothes using 8 bimanual setups, 100+ hours of demonstrations, and 5k+ GPU hours. LinkedIn Post. Verfügbar unter: https://www.linkedin.com/posts/pepijn-kooijmans-737545175_releasing-the-unfolding-robotics-blog-time-activity-7447308701398429697-TFLE
• Sharma, C. (2026). Teaching a Robot to Fold Clothes: Lessons from a Real-World Imitation Learning Project. Medium. Verfügbar unter: https://medium.com/@chiragcs2004/teaching-a-robot-to-fold-clothes-lessons-from-a-real-world-imitation-learning-project-0d2a5735f9ee
• Xue, H., Li, Y., Xu, W., Li, H., Zheng, D., & Lu, C. (2023). UniFolding: Towards Sample-efficient, Scalable, and Generalizable Robotic Garment Folding. CoRL 2023. Verfügbar unter: https://unifolding.robotflow.ai/ und https://www.emergentmind.com/papers/2311.01267
• Hugging Face (o.D.). Unfolding Robotics: Open-Source Shirt Folding from Data to Deployment. Hugging Face Space. Verfügbar unter: https://huggingface.co/spaces/lerobot/robot-folding
• KTVU FOX 2 San Francisco (2026). San Francisco company debuts laundry-folding robot. YouTube. Verfügbar unter: https://www.youtube.com/watch?v=tckyf12vLE4
• Zhou, C. (2024). SSFold: Learning to Fold Arbitrary Crumpled Cloth Using Graph Dynamics from Human Demonstration. arXiv. Verfügbar unter: https://arxiv.org/abs/2411.02608