--- title: "Gemini Robotics 2 Ganzkörpersteuerung (2026)" canonical: https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/ language: de description: "Gemini Robotics 2 für Produktteams: drei Modelle, Ganzkörper-Benchmarks, Zugang, Sicherheitsgrenzen und ein konkreter Robotik-Pilotplan." image: "https://wavect.io/img/blog/headers/header_gemini-robotics-2-whole-body-control.png" --- [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 12 min Lesezeit · 7. August 2026 [**Weiter**](/de/blog/ai-agent-pilot-30-60-90-days/) # Gemini Robotics 2: Was Ganzkörpersteuerung für Produktteams verändert TL;DR Gemini Robotics 2 ist ein Physical-AI-Stack aus drei Modellen: ein VLA für direkte Ganzkörperaktionen, Gemini Robotics ER 2 für Planung und Fortschrittskontrolle sowie ein On-Device-VLA für lokale Steuerung mit niedriger Latenz. Der entscheidende Sprung ist die koordinierte Bewegung von den Füßen bis zu den Fingerspitzen, nicht eine einzelne Geschicklichkeitsdemo. Google DeepMind meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Das ist ein Fähigkeitssprung, kein Nachweis allgemeiner Produktionsreife. Gemini Robotics ER 2 ist über Gemini API und AI Studio verfügbar. Die direkt steuernden VLA-Modelle bleiben Early-Access- oder Trusted-Tester-Partnern vorbehalten. Teams können verkörpertes Schlussfolgern, Tool-Orchestrierung, videobasierte Fortschrittsprüfung und Simulation heute pilotieren. Physische Einsätze brauchen weiterhin deterministische Low-Level-Sicherheit, Hardware-Interlocks, menschliche Stopp-Autorität und aufgabenspezifische Evaluationen. **Gemini Robotics 2 erweitert Google DeepMinds Robotik-Stack von Oberkörper-Manipulation auf koordinierte Steuerung von den Füßen bis zu den Fingerspitzen.** Die wirtschaftliche Bedeutung ist größer als ein weiterer Trick eines Humanoiden. Ein Roboter kann Fortbewegung, Balance, Greifen und Manipulation verbinden, während ein separates Reasoning-Modell eine mehrstufige Aufgabe plant und den Erfolg jedes Schritts prüft. Damit wird der Einsatz humanoider Roboter nicht automatisch zum Standardprodukt. Google meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Die Modelle für direkte Steuerung sind außerdem nur für ausgewählte Partner verfügbar. Die praktische Frage lautet deshalb nicht: „Können wir jetzt einen universellen Roboter-Mitarbeiter kaufen?“ Sie lautet: **Welchen Teil dieses Stacks können wir heute für welchen Ablauf und innerhalb welcher Sicherheitsgrenze testen?** Dieser Leitfaden beantwortet genau diese Entscheidung. Er trennt die drei Modelle, ordnet den Benchmark jenseits seiner besten Zahl ein, erklärt den aktuellen Zugang und liefert einen begrenzten Pilotplan. Für die allgemeine Rollout-Disziplin empfehlen wir zusätzlich unseren [30/60/90-Tage-Plan für AI-Agent-Piloten](/de/blog/ai-agent-pilot-30-60-90-days/). ## Was ist Gemini Robotics 2? **Gemini Robotics 2 ist eine Familie aus drei verbundenen Physical-AI-Modellen, kein einzelnes monolithisches Robotergehirn.** Google DeepMind verteilt Wahrnehmung, Planung und Aktion laut der [offiziellen Gemini-Robotics-2-Veröffentlichung](https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/) auf Modelle mit unterschiedlichen Einsatzprofilen. | Modell | Aufgabe im Stack | Aktueller Zugang | | --- | --- | --- | | Gemini Robotics 2 | Vision-Language-Action-Modell, das Bilder und Anweisungen in Motoraktionen für ganze Humanoide und Zweiarm-Roboter übersetzt | Early-Access-Partner | | Gemini Robotics ER 2 | Embodied-Reasoning-VLM für Videoverständnis, mehrstufige Planung, Tool-Aufrufe und Fortschrittskontrolle | Gemini API, Google AI Studio und private Enterprise Preview | | Gemini Robotics On-Device 2 | Effizientes VLA für lokale Inferenz, wenn Netzwerklatenz oder Konnektivität nicht akzeptabel sind | Trusted Tester | Diese Trennung ist wichtig. Das Reasoning-Modell kann als Orchestrator arbeiten, während ein VLA, eine Navigations-API oder ein konventioneller Controller eine begrenzte Aktion ausführt. Teams können eine Schicht verbessern oder austauschen, ohne so zu tun, als müsste ein Foundation Model jedes Gelenk, jeden Sicherheitsstopp und jede Geschäftsentscheidung besitzen. ## Warum Ganzkörpersteuerung der eigentliche Sprung ist Die vorherige Generation steuerte vor allem den Oberkörper eines Humanoiden für Aufgaben am Tisch. Gemini Robotics 2 erweitert die gelernte Aktionspolitik auf den gesamten Körper. In DeepMinds Apollo-2-Demo löst eine Anweisung mehrere Schritte aus: Der Roboter geht zu einem Tisch, nimmt eine Gießkanne, bewegt sich zu einem Regal und stellt sie in einen unteren Behälter. Jeder Schritt verändert Reichweite, Balance und den nächsten sinnvollen Kamerablick. Genau diese Koordination ist der Engpass in Umgebungen, die für Menschen gebaut wurden. Ein fester Roboterarm kann in einer geplanten Zelle sehr leistungsfähig sein. Ein Humanoid in Lager, Labor oder Instandhaltung muss zwischen Arbeitsflächen wechseln, seinen Stand anpassen, Menschen vermeiden und reagieren, wenn ein Objekt nicht dort liegt, wo der Plan es erwartet. Ganzkörpersteuerung reduziert die Übergaben zwischen getrennt programmierten Routinen für Fortbewegung und Manipulation. Der restliche Robotik-Stack bleibt trotzdem nötig. Hardware-spezifische Regelkreise müssen kollisionsfreie Bewegung, Balance, Kraftgrenzen und Notfallverhalten kontrollieren. Das Foundation Model erweitert, welche Ziele das System versteht und welche Bewegungen es kombinieren kann. Es darf nicht die einzige Sicherheitsschicht sein. ## Was beweist das 92-Prozent-Ergebnis mit der Glühbirne? **Es belegt relevante aufgabenspezifische Geschicklichkeit, aber keine allgemeine Zuverlässigkeit der Hand.** Die Veröffentlichung nennt für Apollo 2 mit einer Hand mit 22 Freiheitsgraden fünf einzelne Mehrfinger-Ergebnisse. | Aufgabe | Gemeldeter Erfolg | Schlussfolgerung für Käufer | | --- | --- | --- | | Glühbirne herausdrehen | 92% | Starke Leistung bei der besten gezeigten Mehrfinger-Aufgabe | | Glühbirne eindrehen | 36% | Die umgekehrte Bewegung ist nicht gleich gut gelöst | | Müllsack zubinden | 44% | Verformbare Objekte bleiben schwierig | | Zip-Beutel schließen | 40% | Feine Ausrichtung und Kraftkontrolle scheitern noch oft | | Kehrschaufel verwenden | 32% | Koordinierte Werkzeugnutzung ist noch nicht verlässlich genug für unbeaufsichtigte Arbeit | Andere Diagramme der Veröffentlichung zeigen bei einer Apollo-Konfiguration 45,7 Prozent für das Aufheben vom Boden, 68,4 Prozent vom Tisch und 76,3 Prozent aus einem Regal. Genau deshalb braucht ein Pilot eine repräsentative Aufgabenverteilung statt eines Best-of-Videos. Gemessen werden müssen ungünstige Winkel, fallengelassene Objekte, Unordnung, Lichtwechsel, Personen im Arbeitsbereich und die Erholung nach Teilerfolgen. ## Wie arbeiten die drei Modelle zusammen? Gemini Robotics ER 2 agiert als übergeordneter Agent. Es verarbeitet fortlaufendes Video und Anweisungen, bestimmt die Schritte, ruft untergeordnete Tools auf, beobachtet den Fortschritt und entscheidet über Fortsetzen, Wiederholen oder Rückfrage. Googles [Entwickler-Veröffentlichung zu Gemini Robotics ER 2](https://blog.google/innovation-and-ai/models-and-research/google-deepmind/gemini-robotics-er-2/) erklärt, dass Entwickler VLA-Modelle oder Navigations-APIs als Tools definieren und Video, Audio oder Text über die Gemini Live API streamen können. Ein produktionsnaher Kontrollpfad sollte so aussehen: 1. **Beobachten:** Kameras, Roboterzustand und Aufgabenkontext fließen in einen zeitgestempelten Wahrnehmungsstrom. 2. **Schlussfolgern:** ER 2 wählt den nächsten begrenzten Schritt, prüft Bedingungen und erkennt Klärungsbedarf. 3. **Ausführen:** Ein VLA oder eine deterministische Roboter-API führt die freigegebene Aktion aus. 4. **Absichern:** Low-Level-Controller, sicherheitsgerichtete Sensoren und Hardware-Interlocks können unabhängig stoppen. 5. **Prüfen:** Video-Fortschritt und deterministische Aufgabensignale bestätigen das Ergebnis. 6. **Eskalieren:** Unsicherheit, wiederholte Fehler oder eine Person im Bereich geben die Kontrolle an einen Menschen zurück. Das ist Agentenarchitektur mit physischen Folgen. Das Logging muss Anweisung, Beobachtungen, vorgeschlagenen Tool-Aufruf, Bedingungsentscheidung, ausgeführte Bewegung, Stopp-Ereignisse und Abschlussprüfung erhalten. Ohne diese Spur kann das Team Fehler nicht erklären und Modellversionen nicht seriös vergleichen. ## Kann ein Unternehmen Gemini Robotics 2 heute einsetzen? **Ja für Embodied-Reasoning-Experimente, meist noch nicht für das direkte Ganzkörpermodell.** Die [Model Card von Gemini Robotics ER 2](https://deepmind.google/models/model-cards/gemini-robotics-er-2/) nennt Gemini API und AI Studio als Vertriebskanäle. Sie verlangt zugleich besondere Vorsicht in produktiven, kommerziellen oder öffentlichen Umgebungen und schließt sicherheitskritische Anwendungen aus. | Ihre Ausgangslage | Was jetzt sinnvoll ist | Was Sie nicht annehmen sollten | | --- | --- | --- | | Keine Roboterhardware | Videoverständnis, Tool-Orchestrierung und Fortschrittsprüfung in Simulation oder Aufzeichnungen testen | Simulationserfolg überträgt sich unverändert auf Hardware | | Bestehender Roboter mit APIs | ER 2 über begrenzte, getestete Skills setzen und menschliche Freigabe für Bewegung behalten | Das Reasoning-Modell ersetzt zertifizierte Sicherheitslogik | | Zweiarm-Forschungsplattform | Trusted-Tester-Zugang beantragen und Aufgabendemos, Telemetrie und Baselines vorbereiten | Weniger als 200 Beispiele garantieren eine Zielquote | | Geplanter Humanoiden-Einsatz | Workflow- und Sicherheits-Discovery vor dem Hardwarekauf durchführen | Eine Apollo-Demo ist eine Zusage allgemeiner Verfügbarkeit | Wenn Sie zwischen Eigenintegration, Standardplattform und Abwarten entscheiden, hilft unser Leitfaden [Individualsoftware oder Standardsoftware](/de/software-development-guide/custom-software-vs-off-the-shelf/) beim wirtschaftlichen Rahmen. In der Robotik kommen Hardwareverfügbarkeit, Trainingsdaten, Sicherheitsverantwortung und Anbieterzugang zu Kosten und Lock-in hinzu. ## Warum der On-Device-Transfer wirtschaftlich am wichtigsten sein könnte Cloud-Reasoning ist sinnvoll, wenn Netz und Reaktionszeit zur Aufgabe passen. Bewegungssteuerung kann diese Abhängigkeit oft nicht akzeptieren. Gemini Robotics On-Device 2 soll lokal laufen. DeepMind gibt an, dass es sich mit wenigen Stunden Daten, typischerweise unter 200 Beispielen, an eine neue Zweiarm-Ausführung anpassen lässt. Die [Model Card von On-Device 2](https://deepmind.google/models/model-cards/gemini-robotics-on-device-2/) ergänzt die wichtige Grenze: Das Modell steht nur Trusted Testern zur Verfügung, ist bei Aufgaben außerhalb der Verteilung und Robotern mit vielen Freiheitsgraden eingeschränkt und wurde hauptsächlich für stehende Zweiarm-Manipulation bewertet. Risiken mobiler Plattformen und der Ganzkörpersteuerung liegen außerhalb ihres Evaluationsumfangs. „Unter 200 Beispiele“ ist damit ein Ausgangswert für Dateneffizienz, kein Einsatzangebot. Käufer müssen weiter klären, wie Beispiele gesammelt werden, wer Erfolg markiert, wie viele Fehlerfälle enthalten sind, welche Sensoren sich ändern, welche Rechenleistung am Roboter läuft und was bei Zuständen außerhalb des Anpassungssets passiert. ## Die Sicherheitsergebnisse sprechen für Schichten, nicht für Autonomie DeepMinds [Sicherheitsbericht zu Gemini Robotics 2](https://storage.googleapis.com/deepmind-media/gemini-robotics/Gemini-Robotics-2-Safety.pdf) ist gerade wegen seiner Zielkonflikte wertvoll. Im Benchmark zur Nähe von Menschen erreichte kein getestetes Modell gleichzeitig nahezu null übersehene Gefahren und nahezu null unnötige Stopps. Modelle mit weniger Unterbrechungen konnten mehr reale Gefahren übersehen. Der Bericht empfiehlt deshalb deterministische Low-Level-Sicherheitsmaßnahmen zusätzlich zur Modellwahrnehmung. Ein kommerzieller Pilot braucht vor der ersten Live-Bewegung vier unabhängige Grenzen: - **Physische Grenze:** Geschwindigkeit, Kraft, Arbeitsraum und Nutzlast werden unterhalb des Modells erzwungen. - **Semantische Grenze:** verbotene Aufgaben, Tool-Allowlist und Pflicht zur Rückfrage bei unklaren Anweisungen. - **Menschliche Grenze:** sichtbare Stopp-Autorität und Freigabe neuer Aufgaben, Tools oder Zonen. - **Evidenzgrenze:** Erfolg, Kollision, Eingriff, Fehlstopp und Erholung werden pro Lauf gemessen. Dass ein Modell eine nahe Person erkennt, ist wertvoll. Es ersetzt weder sicherheitsgerichtete Sensorik noch eine Maschinen-Risikobeurteilung. ## Ein 90-Tage-Pilotplan für Gemini Robotics 2 1. **Tag 0 bis 30, Workflow auswählen.** Wählen Sie eine wiederkehrende Aufgabe, bei der variable Szenen starre Automatisierung teuer machen. Erfassen Sie menschliche Baseline, Häufigkeit, Eingriffskosten und unakzeptable Fehler. Kartieren Sie Gefahren und entscheiden Sie, ob der Pilot in Simulation bleibt. 2. **Tag 31 bis 60, digitale Kontrollgrenze bauen.** Integrieren Sie ER 2 mit simulierten oder isolierten Roboter-Tools. Streamen Sie repräsentatives Video, verlangen Sie strukturierte Tool-Aufrufe, ergänzen Sie Mehrdeutigkeitstests und protokollieren Sie Fortschritt. Nutzen Sie vor Live-Steuerung ein festes Evaluationsset. 3. **Tag 61 bis 90, begrenzte Bewegung überwachen.** Wenn die Sicherheitsbewertung es erlaubt, verbinden Sie nur geprüfte Skills bei reduzierter Geschwindigkeit in einer kontrollierten Zone. Ein Mensch gibt Aktionen frei. Messen Sie Abschluss, Erholung, Eingriffe, Fehlstopps, Latenz und Kosten pro akzeptierter Aufgabe. Am Tag 90 lautet die Entscheidung: erweitern, neu entwerfen oder stoppen. Skalieren Sie nicht, weil die beste Demo einmal funktioniert hat. Skalieren Sie, wenn die gemessene Aufgabenverteilung eine vorher vereinbarte Schwelle überschreitet und das Team alle wichtigen Fehler erklären und beheben kann. ## Was sollten Käufer einen Robotik-AI-Partner fragen? - Welches Modell ist heute tatsächlich verfügbar: ER 2 per API oder ein VLA über ein Partnerprogramm? - Welche Benchmark-Aufgabe ähnelt unserem Ablauf, und wie sieht die gesamte Erfolgsverteilung aus? - Was bleibt unterhalb des Modells deterministisch, etwa Balance, Kollisionsvermeidung, Kraft und Notstopp? - Wie werden Anpassungsbeispiele gesammelt, versioniert und freigegeben? - Welche Daten verlassen den Standort, und welche Inferenz bleibt auf dem Gerät? - Wie spielen wir Fehler nach und vergleichen Modell-, Prompt- oder Controller-Versionen? - Wer besitzt Integration, Trainingsdaten, Telemetrie und Rückfallpfad, falls sich der Modellzugang ändert? Wavects [AI-Produktentwicklung](/de/services/artificial-intelligence/) kann Reasoning, Integration und Evaluation in einen begrenzten Piloten überführen, den Ihr Team besitzt. Unsere [Twinsoft-AI-Case-Study](/de/case-studies/twinsoft-ai/) zeigt die Produkt- und Engineering-Disziplin hinter einem belastbaren AI-Workflow. Für eine unabhängige Machbarkeitsentscheidung vor dem Hardwarebudget können Sie [ein Physical-AI-Discovery-Gespräch buchen](/de/contact/). ## Häufig gestellte Fragen ### Was ist Gemini Robotics 2? Gemini Robotics 2 ist Google DeepMinds Physical-AI-Familie aus drei Modellen: einem Vision-Language-Action-Modell für den ganzen Körper, Gemini Robotics ER 2 für Embodied Reasoning und einem effizienten On-Device-VLA. ### Was bedeutet Ganzkörpersteuerung bei Gemini Robotics 2? Ein gelerntes Aktionsmodell koordiniert Fortbewegung, Rumpf, Arme und Hände eines Humanoiden für ein Ziel. Die vorherige Generation steuerte vor allem Oberkörper-Aufgaben am Tisch. ### Ist Gemini Robotics 2 für Entwickler verfügbar? Gemini Robotics ER 2 ist über Gemini API und Google AI Studio verfügbar. Das direkte VLA geht an Early-Access-Partner, On-Device 2 zum Zeitpunkt der Prüfung nur an Trusted Tester. ### Hat Gemini Robotics 2 92 Prozent Erfolg erreicht? 92 Prozent wurden für die konkrete Aufgabe des Herausdrehens einer Glühbirne gemeldet. Andere Mehrfinger-Ergebnisse lagen bei 36 Prozent für Eindrehen, 44 Prozent für Müllsack-Zubinden, 40 Prozent für einen Zip-Beutel und 32 Prozent für eine Kehrschaufel. ### Reichen weniger als 200 Beispiele für einen neuen Roboter? DeepMind sagt, On-Device 2 könne sich mit wenigen Stunden Daten und meist weniger als 200 Beispielen an neue Zweiarm-Roboter anpassen. Das garantiert keine Produktionsquote, und die Model Card nennt Grenzen außerhalb der Trainingsverteilung. ### Ist Gemini Robotics 2 sicher für Produktionsroboter? Es darf nicht das einzige Sicherheitssystem sein. Die Model Card schließt sicherheitskritische Nutzung aus, der Sicherheitsbericht empfiehlt deterministische Low-Level-Guardrails. Zusätzlich braucht es sicherheitsgerichtete Sensorik, Hardwaregrenzen, Notstopp und menschliche Autorität. ### Was ist der beste erste kommerzielle Einsatz von ER 2? Beginnen Sie mit einem begrenzten, reversiblen Ablauf wie Video-Fortschrittsprüfung oder der Orchestrierung vorhandener Roboter-APIs in Simulation. So testen Sie Reasoning und Tool-Nutzung ohne unkontrollierte physische Autorität. ## Primärquellen und Recherchegrenze 1. Google DeepMind, Veröffentlichung von Gemini Robotics 2; Modellfamilie, Zugang, Ganzkörper-Demos, Geschicklichkeits-Benchmarks und Anpassungsangaben. 2. Google, Entwickler-Veröffentlichung von Gemini Robotics ER 2; API-Zugang, Tool-Orchestrierung, Streaming und Fortschrittsbewertung. 3. Google DeepMind, Model Card von Gemini Robotics ER 2; Vertrieb, Einsatzzweck und Produktionsgrenzen. 4. Google DeepMind, Model Card von Gemini Robotics On-Device 2; Trusted-Tester-Zugang, Evaluationsumfang und bekannte Grenzen. 5. Google DeepMind, Sicherheitsbericht zu Gemini Robotics 2; Nähe von Menschen, Unsicherheit und mehrschichtige Sicherheit. *Status geprüft am 7. August 2026. Diese Analyse nutzt öffentliche Veröffentlichungen, Model Cards und Sicherheitsevaluationen. Wir hatten keinen Modellzugang, betrieben keinen Apollo 2 und reproduzierten die Robotik-Benchmarks nicht unabhängig. Die Erfolgsquoten sind Herstellerangaben, keine Wavect-Testergebnisse.* ## Fazit Gemini Robotics 2 ist relevant, weil sich der schnellste Teil der Robotik von isolierter Manipulation zu einem mehrschichtigen Kontrollsystem bewegt, das über eine vollständige Aufgabe hinweg denken, handeln und prüfen kann. Ganzkörperkoordination und schneller Transfer könnten den individuellen Programmieraufwand für jeden neuen Roboter und Ablauf reduzieren. Die Veröffentlichung zeigt auch, warum Kaufentscheidungen den gesamten Benchmark brauchen. 92 Prozent können neben 32 bis 44 Prozent bei ähnlichen Aufgaben stehen. Öffentlicher Zugang zur Reasoning-Schicht kann mit eingeschränktem Zugang zu Aktionsmodellen einhergehen. Bessere semantische Sicherheit braucht weiterhin deterministische Grenzen. Pilotieren Sie den engen Workflow, messen Sie die vollständige Verteilung und lassen Sie Evidenz jede zusätzliche physische Autonomie verdienen. ## Das könnte dich auch interessieren.. [**AI-Agent-Pilot in 30/60/90 Tagen** Nutzen Sie einen messbaren Rollout-Plan für die Reasoning- und Orchestrierungsschicht eines Physical-AI-Piloten.](/de/blog/ai-agent-pilot-30-60-90-days/) [**AI Enablement oder interne AI-Stelle** Vergleichen Sie einen fokussierten Build-and-Handover-Auftrag mit dem Aufbau einer dauerhaften internen Rolle.](/de/compare/ai-enablement-vs-in-house-ai-hire/) Modelle und Infrastruktur ## In diesem Cluster weiterlesen [Mit dem Grundlagenartikel starten**LLMs in der EU selbst hosten: Wann sich Open Weights wirklich rechnen**](/de/blog/self-hosting-llms-eu-cost/) - [pdf-inspector im Test: PDFs vor OCR lokal routen](/de/blog/pdf-inspector-ocr-routing/) - [Lokaler multimodaler KI-Coding-Assistent: Sprache, OCR und Datenschutz](/de/blog/local-multimodal-ai-coding-assistant/) - [DeepSeek V4 Flash 0731 auf einem KI-PC: Was funktioniert?](/de/blog/deepseek-v4-flash-0731-local-ai-pc/) - [Gemma 4 kostenlos mit Unsloth und Colab tunen](/de/blog/fine-tune-gemma-4-free-unsloth-colab/) - [Taalas HC1 im Check: Lohnt sich ein fest verdrahteter LLM-ASIC?](/de/blog/taalas-hc1-llm-asic-review/) Postfach, ohne Lärm ## Folge der Arbeit, die für dich zählt Du bekommst eine kurze E-Mail, wenn wir etwas Neues veröffentlichen. Folge dem ganzen Blog oder nur den Themen, die dich interessieren. [**Zurück**](/de/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/de/team/kevin-riedl/) [Kevin Riedl](/de/team/kevin-riedl/) https://linkedin.com/in/wsdt 12 min Lesezeit · 7. August 2026 [**Weiter**](/de/blog/ai-agent-pilot-30-60-90-days/) Neue Beiträge per E-Mail × × Neue Beiträge per E-Mail Eine kurze E-Mail, wenn wir etwas veröffentlichen. Kostenlos, ohne Tracking. ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/#webpage", "@type": "WebPage", "dateModified": "2026-08-07", "inLanguage": "de", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-08-07", "url": "https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "Gemini Robotics 2 ist ein Physical-AI-Stack aus drei Modellen: ein VLA für direkte Ganzkörperaktionen, Gemini Robotics ER 2 für Planung und Fortschrittskontrolle sowie ein On-Device-VLA für lokale Steuerung mit niedriger Latenz. Der entscheidende Sprung ist die koordinierte Bewegung von den Füßen bis zu den Fingerspitzen, nicht eine einzelne Geschicklichkeitsdemo. Google DeepMind meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Das ist ein Fähigkeitssprung, kein Nachweis allgemeiner Produktionsreife. Gemini Robotics ER 2 ist über Gemini API und AI Studio verfügbar. Die direkt steuernden VLA-Modelle bleiben Early-Access- oder Trusted-Tester-Partnern vorbehalten. Teams können verkörpertes Schlussfolgern, Tool-Orchestrierung, videobasierte Fortschrittsprüfung und Simulation heute pilotieren. Physische Einsätze brauchen weiterhin deterministische Low-Level-Sicherheit, Hardware-Interlocks, menschliche Stopp-Autorität und aufgabenspezifische Evaluationen.", "articleBody": " Blog-Übersicht/AI und Agents/Modelle und Infrastruktur Gemini Robotics 2: Was Ganzkörpersteuerung für Produktteams verändert TL;DR Gemini Robotics 2 ist ein Physical-AI-Stack aus drei Modellen: ein VLA für direkte Ganzkörperaktionen, Gemini Robotics ER 2 für Planung und Fortschrittskontrolle sowie ein On-Device-VLA für lokale Steuerung mit niedriger Latenz. Der entscheidende Sprung ist die koordinierte Bewegung von den Füßen bis zu den Fingerspitzen, nicht eine einzelne Geschicklichkeitsdemo. Google DeepMind meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Das ist ein Fähigkeitssprung, kein Nachweis allgemeiner Produktionsreife. Gemini Robotics ER 2 ist über Gemini API und AI Studio verfügbar. Die direkt steuernden VLA-Modelle bleiben Early-Access- oder Trusted-Tester-Partnern vorbehalten. Teams können verkörpertes Schlussfolgern, Tool-Orchestrierung, videobasierte Fortschrittsprüfung und Simulation heute pilotieren. Physische Einsätze brauchen weiterhin deterministische Low-Level-Sicherheit, Hardware-Interlocks, menschliche Stopp-Autorität und aufgabenspezifische Evaluationen. Gemini Robotics 2 erweitert Google DeepMinds Robotik-Stack von Oberkörper-Manipulation auf koordinierte Steuerung von den Füßen bis zu den Fingerspitzen. Die wirtschaftliche Bedeutung ist größer als ein weiterer Trick eines Humanoiden. Ein Roboter kann Fortbewegung, Balance, Greifen und Manipulation verbinden, während ein separates Reasoning-Modell eine mehrstufige Aufgabe plant und den Erfolg jedes Schritts prüft. Damit wird der Einsatz humanoider Roboter nicht automatisch zum Standardprodukt. Google meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Die Modelle für direkte Steuerung sind außerdem nur für ausgewählte Partner verfügbar. Die praktische Frage lautet deshalb nicht: „Können wir jetzt einen universellen Roboter-Mitarbeiter kaufen?“ Sie lautet: Welchen Teil dieses Stacks können wir heute für welchen Ablauf und innerhalb welcher Sicherheitsgrenze testen? Dieser Leitfaden beantwortet genau diese Entscheidung. Er trennt die drei Modelle, ordnet den Benchmark jenseits seiner besten Zahl ein, erklärt den aktuellen Zugang und liefert einen begrenzten Pilotplan. Für die allgemeine Rollout-Disziplin empfehlen wir zusätzlich unseren 30/60/90-Tage-Plan für AI-Agent-Piloten. Was ist Gemini Robotics 2? Gemini Robotics 2 ist eine Familie aus drei verbundenen Physical-AI-Modellen, kein einzelnes monolithisches Robotergehirn. Google DeepMind verteilt Wahrnehmung, Planung und Aktion laut der offiziellen Gemini-Robotics-2-Veröffentlichung auf Modelle mit unterschiedlichen Einsatzprofilen. ModellAufgabe im StackAktueller Zugang Gemini Robotics 2Vision-Language-Action-Modell, das Bilder und Anweisungen in Motoraktionen für ganze Humanoide und Zweiarm-Roboter übersetztEarly-Access-Partner Gemini Robotics ER 2Embodied-Reasoning-VLM für Videoverständnis, mehrstufige Planung, Tool-Aufrufe und FortschrittskontrolleGemini API, Google AI Studio und private Enterprise Preview Gemini Robotics On-Device 2Effizientes VLA für lokale Inferenz, wenn Netzwerklatenz oder Konnektivität nicht akzeptabel sindTrusted Tester Diese Trennung ist wichtig. Das Reasoning-Modell kann als Orchestrator arbeiten, während ein VLA, eine Navigations-API oder ein konventioneller Controller eine begrenzte Aktion ausführt. Teams können eine Schicht verbessern oder austauschen, ohne so zu tun, als müsste ein Foundation Model jedes Gelenk, jeden Sicherheitsstopp und jede Geschäftsentscheidung besitzen. Warum Ganzkörpersteuerung der eigentliche Sprung ist Die vorherige Generation steuerte vor allem den Oberkörper eines Humanoiden für Aufgaben am Tisch. Gemini Robotics 2 erweitert die gelernte Aktionspolitik auf den gesamten Körper. In DeepMinds Apollo-2-Demo löst eine Anweisung mehrere Schritte aus: Der Roboter geht zu einem Tisch, nimmt eine Gießkanne, bewegt sich zu einem Regal und stellt sie in einen unteren Behälter. Jeder Schritt verändert Reichweite, Balance und den nächsten sinnvollen Kamerablick. Genau diese Koordination ist der Engpass in Umgebungen, die für Menschen gebaut wurden. Ein fester Roboterarm kann in einer geplanten Zelle sehr leistungsfähig sein. Ein Humanoid in Lager, Labor oder Instandhaltung muss zwischen Arbeitsflächen wechseln, seinen Stand anpassen, Menschen vermeiden und reagieren, wenn ein Objekt nicht dort liegt, wo der Plan es erwartet. Ganzkörpersteuerung reduziert die Übergaben zwischen getrennt programmierten Routinen für Fortbewegung und Manipulation. Der restliche Robotik-Stack bleibt trotzdem nötig. Hardware-spezifische Regelkreise müssen kollisionsfreie Bewegung, Balance, Kraftgrenzen und Notfallverhalten kontrollieren. Das Foundation Model erweitert, welche Ziele das System versteht und welche Bewegungen es kombinieren kann.", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "citation": [ { "@type": "WebPage", "name": "offiziellen Gemini-Robotics-2-Veröffentlichung", "url": "https://deepmind.google/blog/gemini-robotics-2-brings-whole-body-intelligence-to-robots/" }, { "@type": "WebPage", "name": "Entwickler-Veröffentlichung zu Gemini Robotics ER 2", "url": "https://blog.google/innovation-and-ai/models-and-research/google-deepmind/gemini-robotics-er-2/" }, { "@type": "WebPage", "name": "Model Card von Gemini Robotics ER 2", "url": "https://deepmind.google/models/model-cards/gemini-robotics-er-2/" }, { "@type": "WebPage", "name": "Model Card von On-Device 2", "url": "https://deepmind.google/models/model-cards/gemini-robotics-on-device-2/" }, { "@type": "WebPage", "name": "Sicherheitsbericht zu Gemini Robotics 2", "url": "https://storage.googleapis.com/deepmind-media/gemini-robotics/Gemini-Robotics-2-Safety.pdf" } ], "dateModified": "2026-08-07", "datePublished": "2026-08-07", "description": "Gemini Robotics 2 ist ein Physical-AI-Stack aus drei Modellen: ein VLA für direkte Ganzkörperaktionen, Gemini Robotics ER 2 für Planung und Fortschrittskontrolle sowie ein On-Device-VLA für lokale Steuerung mit niedriger Latenz. Der entscheidende Sprung ist die koordinierte Bewegung von den Füßen bis zu den Fingerspitzen, nicht eine einzelne Geschicklichkeitsdemo. Google DeepMind meldet 92 Prozent Erfolg beim Herausdrehen einer Glühbirne, aber nur 36 Prozent beim Eindrehen und 32 bis 44 Prozent bei mehreren anderen Mehrfinger-Aufgaben. Das ist ein Fähigkeitssprung, kein Nachweis allgemeiner Produktionsreife. Gemini Robotics ER 2 ist über Gemini API und AI Studio verfügbar. Die direkt steuernden VLA-Modelle bleiben Early-Access- oder Trusted-Tester-Partnern vorbehalten. Teams können verkörpertes Schlussfolgern, Tool-Orchestrierung, videobasierte Fortschrittsprüfung und Simulation heute pilotieren. Physische Einsätze brauchen weiterhin deterministische Low-Level-Sicherheit, Hardware-Interlocks, menschliche Stopp-Autorität und aufgabenspezifische Evaluationen.", "headline": "Gemini Robotics 2: Ganzkörpersteuerung und die Pilotentscheidung", "image": "https://wavect.io/img/blog/headers/header_gemini-robotics-2-whole-body-control.svg", "inLanguage": "de", "keywords": "Gemini Robotics 2, Physical AI, Humanoide Robotik", "mainEntityOfPage": { "@id": "https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/", "wordCount": 2339 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/de/", "name": "Startseite", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/overview/", "name": "Blog-Übersicht", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/topics/ai-agents/", "name": "AI und Agents", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/clusters/models-infrastructure/", "name": "Modelle und Infrastruktur", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/de/blog/gemini-robotics-2-whole-body-control/", "name": "Gemini Robotics 2 Ganzkörpersteuerung (2026) | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Gemini Robotics 2 ist Google DeepMinds Physical-AI-Familie aus drei Modellen: einem Vision-Language-Action-Modell für den ganzen Körper, Gemini Robotics ER 2 für Embodied Reasoning und einem effizienten On-Device-VLA." }, "name": "Was ist Gemini Robotics 2?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Ein gelerntes Aktionsmodell koordiniert Fortbewegung, Rumpf, Arme und Hände eines Humanoiden für ein Ziel. Die vorherige Generation steuerte vor allem Oberkörper-Aufgaben am Tisch." }, "name": "Was bedeutet Ganzkörpersteuerung bei Gemini Robotics 2?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Gemini Robotics ER 2 ist über Gemini API und Google AI Studio verfügbar. Das direkte VLA geht an Early-Access-Partner, On-Device 2 zum Zeitpunkt der Prüfung nur an Trusted Tester." }, "name": "Ist Gemini Robotics 2 für Entwickler verfügbar?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "92 Prozent wurden für die konkrete Aufgabe des Herausdrehens einer Glühbirne gemeldet. Andere Mehrfinger-Ergebnisse lagen bei 36 Prozent für Eindrehen, 44 Prozent für Müllsack-Zubinden, 40 Prozent für einen Zip-Beutel und 32 Prozent für eine Kehrschaufel." }, "name": "Hat Gemini Robotics 2 92 Prozent Erfolg erreicht?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "DeepMind sagt, On-Device 2 könne sich mit wenigen Stunden Daten und meist weniger als 200 Beispielen an neue Zweiarm-Roboter anpassen. Das garantiert keine Produktionsquote, und die Model Card nennt Grenzen außerhalb der Trainingsverteilung." }, "name": "Reichen weniger als 200 Beispiele für einen neuen Roboter?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Es darf nicht das einzige Sicherheitssystem sein. Die Model Card schließt sicherheitskritische Nutzung aus, der Sicherheitsbericht empfiehlt deterministische Low-Level-Guardrails. Zusätzlich braucht es sicherheitsgerichtete Sensorik, Hardwaregrenzen, Notstopp und menschliche Autorität." }, "name": "Ist Gemini Robotics 2 sicher für Produktionsroboter?" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "Beginnen Sie mit einem begrenzten, reversiblen Ablauf wie Video-Fortschrittsprüfung oder der Orchestrierung vorhandener Roboter-APIs in Simulation. So testen Sie Reasoning und Tool-Nutzung ohne unkontrollierte physische Autorität." }, "name": "Was ist der beste erste kommerzielle Einsatz von ER 2?" } ] } ```