MorphAct verändert Roboterparameter abhängig vom Interaktionskontext

Die Diagnose: Ein Update kann einer Aufgabe helfen und anderen schaden

Bevor sie MorphAct entwickeln, untersuchen die Forschenden, ob Trainingssignale verschiedener Aufgaben tatsächlich miteinander konkurrieren. Dafür nutzen sie Demonstrationen aus 65 atomaren Aufgaben des Datensatzes RoboCasa365 und einen festen, auf RoboCasa vortrainierten π₀.₅-Checkpoint. In den Vergleichen sind Gradienten aus unterschiedlichen Aufgaben häufiger negativ ausgerichtet als Gradienten aus derselben Aufgabe: Das gilt für 47,80 gegenüber 38,94 Prozent der Vergleiche im Vision-Language-Modul und für 48,28 gegenüber 42,69 Prozent im Aktionsmodul. Eine negative Ausrichtung deutet hier auf lokal konkurrierende Verbesserungsrichtungen hin. [5]

Die Autoren prüfen außerdem tatsächliche Ein-Schritt-Updates. Alle 260 getesteten Updates senkten den Verlust auf den jeweiligen Ausgangsdaten, im Mittel um 2,38 Prozent. Gleichzeitig erhöhten sie den Verlust auf Daten aus 22 bis 46 der jeweils übrigen 64 Aufgaben; der Median lag bei 32. Die Messung hält unter anderem Beobachtungen und Aktionsziele vor und nach dem Update konstant. Sie zeigt damit lokale Wechselwirkungen im Trainingsverlust, nicht direkt eine Verschlechterung des Erfolgs im realen Roboterbetrieb. [5]

Für Unternehmen ist diese Unterscheidung relevant: Die Diagnose begründet, warum eine Anpassungsmethode interessant sein könnte, ist aber selbst kein Nachweis für eine bessere Einsatzleistung. Sie beruht zudem auf einem Checkpoint und einer begrenzten Auswahl an Aufgaben und Messungen. Die Autoren interpretieren sie als Hinweis darauf, dass ein gemeinsames Modell bei wechselnden Anforderungen Zielkonflikte ausbilden kann. [5]

Zwei gekoppelte Generatoren statt eines unveränderten Gewichtsatzes

MorphAct ergänzt die Policy um zwei Generatoren. Der erste erhält Bild- und Spracheinbettungen und erzeugt niedrig-rangige Änderungen für ausgewählte Projektionen des Vision-Language-Moduls. Mit diesen Änderungen berechnet das Modell angepasste Merkmale. Der zweite Generator nutzt diese Merkmale zusammen mit einem projizierten Robotik-Zustand, um niedrig-rangige Änderungen für ausgewählte Projektionen des Aktionsmoduls zu erzeugen. [5]

Niedrig-rangige Anpassung bedeutet hier, dass das Verfahren keine vollständige neue dichte Gewichtsmatrix für jede Situation berechnet. Stattdessen erzeugt es Faktoren, deren Kombination eine kompakte Änderung an ausgewählten Modellprojektionen beschreibt. Die Gewichte der Generatoren selbst bleiben über Kontexte hinweg geteilt; ihre Ausgaben und damit die effektiven Änderungen an der Policy variieren mit dem aktuellen Kontext. [5]

Die Kopplung folgt der Berechnungsreihenfolge des Modells: Die angepassten visuellen und sprachlichen Merkmale beeinflussen, welche Anpassung der Aktionsgenerator erzeugt. Laut Paper werden beide Generatoren gemeinsam über die native Aktionszielfunktion der jeweiligen Basis-Policy trainiert. Dafür benötigt MorphAct nach Angaben der Autoren weder Operationslabels noch Zielwerte aus separat trainierten Experten-Adaptern. Die Basis-Backbones bleiben weitgehend eingefroren; trainierbar sind die konfigurierten Generatoren sowie Zustandsprojektionen und Projektoren. [1][5]

Anpassung beim Neuplanen, Wiederverwendung während eines Aktionsblocks

Die Parameteränderungen werden bei einer neuen Beobachtung beziehungsweise einem Neuplanungsschritt erzeugt. Anschließend verwendet die Policy sie für die Vorhersage des jeweiligen Aktionsblocks erneut und aktualisiert sie bei der nächsten Beobachtung. Das Verfahren führt laut Paper während der Inferenz keine zusätzliche Testzeit-Optimierung durch. [3][5]

Diese Auslegung begrenzt, wie oft die Generatoren in der Aktionsvorhersage neu ausgeführt werden müssen: Sie arbeiten außerhalb der wiederholten Solver-Schritte, ihre Ergebnisse werden innerhalb eines Blocks wiederverwendet. Das beseitigt den Rechenaufwand jedoch nicht, wie die späteren Laufzeitmessungen zeigen. [3]

Die Methode unterscheidet sich damit sowohl von einer vollständig statischen Policy als auch von einer Anpassung, die für jede einzelne interne Aktionsberechnung neue Parameter erzeugt. Für den Einsatz in zeitkritischen Anwendungen wäre deshalb nicht nur die mittlere Erfolgsrate, sondern auch die konkrete Neuplanungsfrequenz und die Laufzeit pro Aktionsblock entscheidend. Das ist eine technische Einordnung der beschriebenen Ausführung und kein vom Paper ausgewiesener Nachweis für eine bestimmte industrielle Anwendung. [3][5]

Simulationsergebnisse über drei Modell-Backbones

Die Autoren evaluieren MorphAct mit X-VLA, π₀ und π₀.₅ auf den Simulationsbenchmarks LIBERO und Meta-World. Als zentrale Kennzahl dient der Erfolg bei geschlossenen Aufgabenabläufen. Für Meta-World berichten sie gemeinsame Trainingsläufe über die 50 Aufgaben von MT50; die MorphAct-Werte werden über drei Seeds gemittelt. Der dort ausgewiesene Durchschnitt ist laut der detaillierten Zusammenfassung der ungewichtete Mittelwert von vier Schwierigkeitsgruppen. [3]

Ein konkretes Beispiel ist π₀ auf Meta-World: Der berichtete Durchschnitt steigt von 50,75 auf 67,05 Prozent. Das entspricht 16,30 Prozentpunkten. Über die drei Backbones hinweg geben die Autoren Verbesserungen der Meta-World-Durchschnittswerte von 7,57 bis 16,30 Prozentpunkten an. Auf LIBERO verbesserten sich die Mittelwerte laut Paper ebenfalls bei allen drei Backbones, wobei die Zuwächse dort kleiner ausfielen. [3][5]

Die Ergebnisse sind nicht in jeder Unterkategorie einheitlich. In der detaillierten Auswertung sinkt bei π₀.₅ der Wert für die LIBERO-Kategorie Spatial leicht; X-VLA erreicht in der schwierigsten Meta-World-Gruppe denselben Wert wie seine Baseline. Solche Abweichungen sind wichtig, weil Durchschnittswerte Unterschiede zwischen Aufgaben oder Schwierigkeitsstufen verdecken können. [3]

Die Zahlen stützen somit die Aussage, dass MorphAct in den getesteten Benchmarks über mehrere Backbones hinweg nützlich sein kann. Sie belegen nicht automatisch eine entsprechende Verbesserung bei anderen Robotern, Aufgabenverteilungen oder Produktionsumgebungen. Die Quellen berichten über definierte Benchmark-Aufgaben und Versuchsbedingungen, nicht über einen branchenweiten Vergleich. [3][5]

Ablationen prüfen, welche Komponenten beitragen

Eine Ablation mit X-VLA auf LIBERO vergleicht MorphAct mit Varianten, die einzelne Aspekte der Methode verändern. Im berichteten Mittel erreicht MorphAct 97,20 Prozent Erfolgsrate. Eine Variante, bei der der Aktionsgenerator nicht die bereits angepassten, sondern die vor der Anpassung berechneten Merkmale erhält, kommt auf 86,00 Prozent. Eine feste Task-ID als Bedingung erzielt 88,25 Prozent; eine konstante Bedingung 87,50 Prozent. [3]

Der Vergleich deutet in diesem Versuchsaufbau darauf hin, dass aktuelle Kontextmerkmale und die Kopplung an angepasste Wahrnehmungsmerkmale einen Beitrag leisten. Er isoliert aber nicht abschließend die Ursache sämtlicher Verbesserungen über alle Modelle und Benchmarks hinweg. Auch die Varianten, die nur das Vision-Language- oder nur das Aktionsmodul anpassen, schneiden in diesem Versuch schwächer ab: Die Zusammenfassung nennt 43,50 Prozent für VLM-only und 81,00 Prozent für Action-only. [3]

Für die technische Bewertung ist die Ablation deshalb aussagekräftiger als ein bloßer Vergleich der Gesamtwerte: Sie testet gezielt, ob eine andere Art der Parametererzeugung mit anderen Ergebnissen einhergeht. Ihre Reichweite bleibt dennoch auf X-VLA und LIBERO unter den untersuchten Bedingungen begrenzt. [3]

Reale Versuche liefern erste, aber begrenzte Evidenz

Zusätzlich testen die Forschenden π₀.₅ mit MorphAct auf vier realen Manipulationsaufgaben: Sort Letters, Sort Hardware, Deliver Water und Cabinet Storage. Für jede Aufgabe umfasst der Vergleich nach der detaillierten Zusammenfassung 50 physische Durchläufe je Methode. Die Autoren berichten über alle vier Aufgaben hinweg Zuwächse von 8 bis 14 Prozentpunkten gegenüber π₀.₅ ohne MorphAct. Bei Sort Hardware steigt der angegebene Erfolgswert von 8 auf 22 Prozent. [3]

Diese Versuche gehen über reine Simulation hinaus, bleiben aber eine kleine Auswahl von Aufgaben. Sie liefern keine belastbare Aussage über allgemeine Manipulationsfähigkeit, Langzeitbetrieb oder die Robustheit in wechselnden Produktionsbedingungen. Auch ein Zuwachs gegenüber einer bestimmten π₀.₅-Baseline ist nicht mit einem Vergleich zu sämtlichen verfügbaren Robotersystemen gleichzusetzen. [3]

Für eine B2B-Bewertung ist daher vor allem die Aufgabenpassung entscheidend: Die berichteten Tests betreffen Sortieren, Liefern und Schrankaufgaben. Unternehmen müssten prüfen, ob ihre eigenen Objekte, Greifer, Arbeitsräume und Taktzeiten den geprüften Bedingungen hinreichend ähneln. Diese Prüfanforderung folgt aus der begrenzten Abdeckung der Versuche; sie ist keine Behauptung, dass MorphAct in solchen Umgebungen bereits getestet wurde. [3]

Mehr Erfolgsrate kostet Rechenzeit

Die zusätzliche Parametererzeugung wirkt sich auf die Laufzeit aus. Gegenüber angepassten LoRA-Baselines steigt die gemessene Latenz eines Aktionsblocks für π₀ von 120 auf 145 Millisekunden und für π₀.₅ von 138,71 auf 164 Millisekunden. Die gemessene Steuerungsrate sinkt bei π₀ von 28,09 auf 23,20 Hertz und bei π₀.₅ von 24,99 auf 21,20 Hertz. Die Autoren ordnen den Latenzanstieg mit etwa 18 bis 21 Prozent ein. [3]

Damit ist MorphAct nach den vorliegenden Messungen keine Beschleunigung gegenüber den verglichenen LoRA-Konfigurationen. Für Anwendungen mit großzügigen Taktzeiten kann ein möglicher Erfolgszuwachs anders zu bewerten sein als für Abläufe, in denen kurze Reaktionszeiten zentral sind. Entscheidend wäre, die Verbesserungen und die zusätzliche Latenz auf der vorgesehenen Hardware und mit der eigenen Aktionsfrequenz gemeinsam zu messen. Das ist eine betriebliche Schlussfolgerung aus den berichteten Messwerten. [3]

Das Paper berichtet außerdem Ablationen, die den Nutzen kontextabhängiger Generierung und der Repräsentationskopplung stützen. Die vorliegenden Quellen enthalten jedoch keine unabhängige Replikation oder einen Nachweis für die Übertragbarkeit auf konkrete Unternehmensprozesse. Derzeit ist MorphAct daher als Forschungsansatz mit ermutigenden Benchmark- und ersten Hardwareergebnissen einzuordnen, nicht als bereits belegte Standardlösung für den produktiven Robotereinsatz. [1][2][3][5]

Quellen

1. [1] Paper page - MorphAct: Robot Policies Morphing with the Worlds They Act In — https://huggingface.co/papers/2610.20019 (abgerufen am 2026-10-19)
2. [2] [2610.20019] MorphAct: Robot Policies Morphing with the Worlds They Act In — https://arxiv.org/abs/2610.20019 (abgerufen am 2026-10-19)
3. [3] MorphAct: Robot Policies Morphing with the Worlds They Act In | alphaXiv — https://www.alphaxiv.org/abs/2610.20019 (abgerufen am 2026-10-19)
4. [5] MorphAct: Robot Policies Morphing with the Worlds They Act In — https://arxiv.org/html/2610.20019v1 (abgerufen am 2026-10-19)