DexForce probeert een hardnekkig robotprobleem rechtstreeks in drie dimensies op te lossen. Het nieuwe UNITAS-model leert niet alleen welke beweging een robot moet maken, maar voorspelt tegelijk hoe die beweging voorwerpen en de omgeving verandert. Dat kan robots helpen om manipulatie minder als een reeks losse beelden en meer als één fysiek proces te begrijpen.
Een wereldmodel in dezelfde ruimte als de robot
De onderzoekers van DexForce en vier Chinese universiteiten plaatsten de UNITAS-paper op 8 oktober 2026 op arXiv; DexForce maakte het model op 12 oktober publiek bekend. De paper en de officiële code-repository zijn openbaar beschikbaar. BEWEZEN
UNITAS gebruikt een gedeelde metrische 3D-ruimte voor waarneming, beweging en verandering in de scène. De baan van een hand of grijper wordt vastgelegd als een reeks 3D-punten, terwijl een tweede stroom voorspelt hoe objecten daardoor bewegen. Daardoor kan hetzelfde model bijvoorbeeld zowel een grijppad genereren als voorspellen waar een kopje na die actie terechtkomt.
Dat verschilt van veel wereldmodellen die vooral vanuit videobeelden of visuele representaties redeneren. Pixels geven immers niet vanzelf echte afstanden weer. UNITAS probeert de fysieke schaal en positie vanaf het begin in de modelrepresentatie op te nemen.
Veelbelovende resultaten, nog geen onafhankelijk bewijs
Volgens de paper telt UNITAS 1,7 miljard parameters en behaalt het onder meer 99,8% taaksucces op LIBERO, 89,1% op LIBERO-Plus en gemiddeld 85% in door de onderzoekers uitgevoerde tests met echte robots. FABRIKANTCLAIM PILOT
Die cijfers zijn relevant, maar nog niet onafhankelijk gereproduceerd. De paper is op het moment van publicatie een preprint en vermeldt dat zij nog onder beoordeling is. Bovendien zeggen benchmarkresultaten weinig over langdurige inzet in een fabriek, winkel of woning met wisselende objecten, storingen en menselijke omstanders.
Waarom synthetische training ertoe doet
Reuters beschreef op 15 oktober hoe DexForce virtuele omgevingen gebruikt om veel variaties van taken te genereren voordat de geleerde vaardigheid naar een fysieke robot gaat. Het bedrijf stelt dat deze aanpak sneller en goedkoper kan schalen dan mensen dezelfde handelingen honderden keren te laten voordoen. FABRIKANTCLAIM
Dat is strategisch belangrijk voor humanoidrobots. Hardware wordt snel beter, maar nuttig werk vraagt vooral om grote hoeveelheden betrouwbare trainingsdata en modellen die nieuwe situaties aankunnen. Een goed 3D-wereldmodel kan de kloof tussen simulatie en echte robotbewegingen verkleinen, al moet UNITAS dat buiten gecontroleerde tests nog bewijzen.
DexForce beschikt daarbij over aanzienlijke middelen: het bedrijf maakte op 30 juni een Series B-ronde van 1 miljard yuan bekend, ongeveer 147 miljoen dollar tegen de toenmalige wisselkoers. Reuters bevestigt de financiering en noemt onder meer Lenovo Capital, Lens Technology en meerdere staatsfondsen als investeerders. BEWEZEN
De volgende toets
De echte waarde van UNITAS wordt zichtbaar wanneer onafhankelijke teams de gepubliceerde code en modellen reproduceren en dezelfde aanpak stabiel werkt op verschillende robotarmen en humanoids. Tot die tijd is het vooral een technisch sterke onderzoeksrichting: actieplanning en de gevolgen van een actie samen modelleren in de ruimte waarin de robot werkelijk beweegt.
Lees voor de bredere context ook het overzicht van humanoidrobots en de uitleg over AI, VLA en embodied AI.
Bronnen: arXiv — UNITAS-paper, 8 oktober 2026 · DexForce — officiële code-repository · Reuters — bedrijfsprofiel en trainingsaanpak, 15 oktober 2026 · DexForce — financieringsbericht, 30 juni 2026. Geraadpleegd op 15 oktober 2026.