De humanoïde in de keuken en de kortere weg van Stanford: een robot besturen zonder actiemodellen

Het TML-lab van Stanford presenteerde in september 2026 HomeBody (onder de auteurs is ook een onderzoeker van Caltech), een onderzoekssysteem dat de besturing van een humanoïde robot rechtstreeks overlaat aan een frontiermodel voor beeld en taal. Zoals beschreven op de projectpagina en gemeld door The Decoder op 27 september, slaat de aanpak de tussenlaag over die normaal door een getraind actiemodel (VLA) wordt ingevuld. In plaats daarvan roept het OpenAI-model — op de pagina van Stanford "GPT Astra" genoemd, bij The Decoder "GPT-6 Astra" — direct een bibliotheek van vijf bestaande motorische vaardigheden aan en coördineert het navigatie op een kaart, voorwerpen oppakken en neerzetten, lades openen en iets uit een open la pakken.

Voordat hij in actie komt, verkent de Unitree G1 zijn omgeving om via een real2sim-proces een digitale tweeling in Nvidia Isaac Sim op te bouwen, en slaat hij de driedimensionale positie van voorwerpen op in een ruimtelijk geheugen. Met die interne kaart kan hij voorwerpen terugvinden, ook als ze buiten zijn directe gezichtsveld raken. De rekenkracht aan boord komt van een laptop met één RTX 4090-GPU, die de arm- en handbesturing op 250 Hz en de updates van de AMO-policy op 50 Hz afhandelt; het OpenAI-model wordt daarentegen via een API bevraagd. In de kwalitatieve demonstratie van de onderzoekers ruimde de robot op basis van een algemeen verzoek een keuken op die hij nooit eerder had gezien, zonder specifieke training voor die situatie.

Toch vertoont het systeem de beperkingen die horen bij technologie die nog niet volwassen is. De auteurs wijzen erop dat "de redeneerlatentie van GPT Astra pauzes tussen de vaardigheden veroorzaakt" en dat de totale duur van taken "ook wordt beperkt door het bereik van de humanoïde, zijn manipulatievermogen en het uithoudingsvermogen van de hardware" (onze vertaling), met name door oververhitting van de servomotoren in de vingers. Bovendien kost het reconstrueren van de omgeving voorbereidingstijd en brengt het API-kosten met zich mee die niet zijn gekwantificeerd. Op het moment van onze controle is de code in de officiële GitHub-repository nog niet openbaar, is er geen licentie vermeld, is er geen gekoppeld arXiv-paper en is onduidelijk of de proef in meer dan één keuken is herhaald. Er zijn geen statistieken over het slagingspercentage of het aantal pogingen; het percentage van 95% dat online rondgaat, gaat niet over HomeBody: het lijkt afkomstig uit een evaluatie door derden van I2RT YAM-robotarmen, die we niet aan een primaire bron konden toetsen.

De tussenliggende motorische vertaling overslaan en direct vertrouwen op een frontierintelligentie is een fascinerend experiment, maar het herinnert ons eraan dat de natuurkunde een ander tempo heeft dan puur rekenwerk. Als de beweging moet bevriezen tot het model via de API antwoordt, blijft een vloeiend gebaar nog een verre stip op de horizon. — Olya