Physical Intelligence lässt mit π0.5 Roboter in fremden Wohnungen Küchen und Schlafzimmer aufräumen, 97,6 Prozent der Trainingsdaten stammen aus anderen Quellen

Das Robotik-KI-Unternehmen Physical Intelligence aus San Francisco hat am 22. April 2025 π0.5 veröffentlicht, ein Vision-Language-Action-Modell (VLA), das nach eigenen Angaben Küchen und Schlafzimmer in Wohnungen aufräumen kann, die es nie zuvor gesehen hat. In einem Blogbeitrag und einem begleitenden Preprint auf arXiv zeigte das Unternehmen zweiarmige mobile Roboter, die in drei realen, vom Training ausgeschlossenen Wohnungen Geschirr in die Spüle stellen, Betten machen, Verschüttetes aufwischen und Schlafzimmerböden freiräumen.

Die Zahlen im Papier sind konkret. Die mobilen Roboter lernten aus rund 400 Stunden Haushaltsdaten, gesammelt in etwa 100 Wohnungen. Zugleich heißt es im Papier, dass 97,6 Prozent der Trainingsbeispiele in der ersten Trainingsphase nicht von mobilen Manipulatoren bei Haushaltsarbeiten stammten. Den Rest bildeten Daten stationärer Roboterarme in Wohnungen, Laborroboterdaten einschließlich des öffentlichen Datensatzes Open X-Embodiment, Webdaten für Bildbeschreibung, Fragebeantwortung und Objektlokalisierung, manuell annotierte Teilaufgaben sowie eine kleine Menge gesprochener Anleitungen. Einzelaufgaben dauerten etwa 2 bis 5 Minuten, das Aufräumen eines ganzen Zimmers 10 bis 15 Minuten.

Die Architektur baut auf π0 auf, der ersten Generalisten-Policy des Unternehmens vom 31. Oktober 2024. π0.5 startet mit einem Vision-Language-Modell mit 2 Milliarden Parametern, initialisiert mit Gewichten von Googles PaliGemma, und ergänzt einen sogenannten Action Expert mit 300 Millionen Parametern. Das Modell formuliert zunächst in Textform die nächste Teilaufgabe, etwa das Aufheben eines Kissens, und erzeugt dann die passenden Motorbefehle. Diese entstehen als Blöcke von 50 Schritten, die eine Sekunde Bewegung abdecken, per Flow Matching mit 10 Entrauschungsschritten. Trainiert wurde zweistufig mit 280.000 Gradientenschritten auf diskreten Tokens und anschließend 80.000 Schritten mit kontinuierlichem Flow-Matching-Kopf.

Die Hardware ist bescheiden. Das Papier beschreibt zwei mobile Plattformen mit je zwei Armen mit sechs Freiheitsgraden und Parallelgreifern, einer holonomen Radbasis, einem Torsohub und vier Kameras, zwei davon an den Handgelenken. Der Zustands- und Aktionsraum umfasst je nach Plattform 18 oder 19 Dimensionen. Ziel seien nicht neue Fertigkeiten oder hohe Geschicklichkeit, sondern die Übertragung auf neue Umgebungen, erklärte das Unternehmen.

Am aufschlussreichsten ist die Ablationsstudie. In einem Test zur Befolgung sprachlicher Anweisungen in unbekannten Wohnungen befolgte das vollständige π0.5 laut Blogbeitrag bei vertrauten Objektkategorien 86 Prozent der Anweisungen und war in 83 Prozent erfolgreich, bei neuen Objektkategorien in beiden Kennzahlen zu 94 Prozent. Ohne Webdaten blieb der Wert für vertraute Objekte nahezu gleich, der Erfolg bei neuen Objekten sank jedoch auf 74 Prozent. Ohne Laborroboterdaten fiel er auf 49 Prozent, ohne Daten stationärer Roboter aus vielen Wohnungen auf 31 Prozent.

Auch die Zahl der Umgebungen zählt. Die Forscher trainierten Varianten mit Daten mobiler Roboter aus 3, 12, 22, 53, 82 und 104 Orten, und die Leistung stieg mit der Zahl der Orte im Allgemeinen an. Das 104-Orte-Modell erreichte ähnliche Werte wie ein Kontrollmodell, das direkt mit Daten aus den Testwohnungen trainiert worden war. Laut Papier übertraf π0.5 zudem π0 und eine verbesserte π0-Variante deutlich, selbst bei einem auf 300.000 Schritte verlängerten π0-Training. Das vollständige Modell schlug sogar eine Variante, bei der ein Mensch die Teilaufgaben vorgab, während GPT-4 als Planer ohne Zusatztraining am schlechtesten abschnitt.

Der Wettbewerb ist dicht. Figure AI präsentierte am 20. Februar 2025 sein VLA Helix mit einem 7-Milliarden-Parameter-Modell bei 7 bis 9 Hertz und einem 80-Millionen-Parameter-Regler bei 200 Hertz, trainiert mit rund 500 Stunden Teleoperation. Google DeepMind folgte am 12. März 2025 mit Gemini Robotics auf Basis von Gemini 2.0, Nvidia am 18. März mit dem offenen Humanoidenmodell GR00T N1. In Europa sammelte die Metzinger Neura Robotics am 15. Januar 2025 in einer von Lingotto angeführten Serie B 120 Millionen Euro ein und meldete einen Auftragsbestand von 1 Milliarde Euro. Die französische Genesis AI meldete 105 Millionen Dollar für ein universelles Robotik-Grundmodell.

Physical Intelligence benennt die Grenzen offen. Das Papier nennt ungewohnte Schubladengriffe, schwer zu öffnende Schränke, einen Arm, der den aufzuwischenden Fleck verdeckt, und eine Planung, die dieselbe Schublade mehrfach öffnet und schließt. Die Auswertung umfasste drei Wohnungen mit je 10 Versuchen pro Aufgabe, eine kleine Stichprobe, und alle Ergebnisse stammen vom Unternehmen selbst. Im September 2025 stellte Physical Intelligence Checkpoints von π0.5 in sein unter Apache-2.0 lizenziertes openpi-Repository, darunter ein Basismodell sowie Varianten, die auf den Benchmark LIBERO und den Datensatz DROID feinabgestimmt sind.