Pollen Robotics, ein Tochterunternehmen von Hugging Face, hat vergangene Woche den zweibeinigen Roboter Microduck für 399 US-Dollar vorgestellt. In den ersten 24 Stunden nach Verkaufsstart überstieg das Bestellvolumen 2,6 Millionen US-Dollar, das entspricht rund 6.500 Geräten, in der Spitzenzeit wurde alle vier Sekunden eines verkauft. Rechnet man vom Stückpreis zurück, passen Bestellwert und Stückzahl zusammen – der Absatz wurde also nicht durch teure Zubehörpakete aufgebläht.
Der Roboter ist 25 Zentimeter groß, wiegt weniger als 800 Gramm und nutzt 15 Dynamixel-XL330-Servomotoren, dazu eine Kamera, einen Tiefensensor und zwei IMUs; als Hauptprozessor dient ein Rockchip RK3566. Der Entenschnabel am Kopf ist ein bewegliches Gelenk mit rund 800 Gramm Greifkraft und kann damit beim Laufen Gegenstände im Mund halten.
Das Gehirn besteht aus sieben Rust-Prozessen
Der Software-Stack von Microduck basiert auf keinem Web-Framework. Die gesamte Laufzeitumgebung besteht aus sieben Rust-Daemon-Prozessen, die über JSON-RPC 2.0 auf einem Unix-Socket miteinander kommunizieren, die Nachrichten werden zeilenweise als NDJSON übertragen.
Die Aufgabenteilung ist klar geschnitten: robotd hat exklusiven Hardwarezugriff und fährt die Regelschleife mit 50 Hz; configd verwaltet WLAN, Identität und Controller-Pairing; updaterd kümmert sich um OTA-Updates, Prüfsummen und Rollbacks; btd reicht Bluetooth-GATT durch; padd leitet Controller-Eingaben weiter; mediad verwaltet Kamera, Inferenz und WebRTC; tofd bedient allein den Tiefensensor im Kopf. Insgesamt kommt das Projekt auf etwa 30 Abhängigkeiten.
Die Motorsteuerung in einem einzigen Prozess zu bündeln, ist bei eingebetteten Robotern eine gängige Absicherung – wird die Regelschleife von einer anderen Aufgabe verdrängt, fällt der Roboter sofort um. Rust erspart in dieser Schicht die Ruckler, die durch Garbage-Collection-Pausen entstehen würden.
Laufen wurde trainiert, nicht programmiert
Rund ein Dutzend Bewegungsfähigkeiten – darunter Laufen, selbstständiges Aufstehen nach einem Sturz, Fußball spielen und Rollschuhfahren – wurden nicht als Zustandsautomaten codiert, sondern per Reinforcement Learning in der Simulation trainiert und dann auf die reale Hardware übertragen. Das Trainings-Framework mjlab basiert auf MuJoCo Warp, als Algorithmus kommt PPO zum Einsatz, die Regelfrequenz liegt bei 50 Hz, der Beobachtungsvektor ist 61-dimensional und umfasst propriozeptive Signale, Geschwindigkeit und Haltungsvorgaben; die fertige Policy wird als ONNX exportiert und läuft direkt auf dem Gerät.
Die Simulation ist detaillierter als bei den meisten Open-Source-Projekten. Faktoren, die sonst oft ignoriert werden – Spannungsregelgesetz, Gegen-EMK, Getriebespiel (±1°), Coulomb-Reibung – wurden ins Modell eingebaut; ein Großteil der Fehlschläge beim Sim2Real-Transfer geht auf genau solche nicht modellierten Effekte zurück. Mit 4.096 parallelen Umgebungen entsteht nach ein bis zwei Stunden eine brauchbare Policy, dieses Rechenniveau schafft eine handelsübliche Consumer-Grafikkarte.
Beide Repositories sind öffentlich: Die Rust-Laufzeitumgebung liegt unter pollen-robotics/microduck, der Python-Code für das Reinforcement Learning unter pollen-robotics/microduck_rl.
Das Angebot hält mit der Nachfrage nicht Schritt
Gefertigt wird bei Seeed Studio in Shenzhen. Die ersten Auslieferungen wurden bereits über Weihnachten 2026 hinaus verschoben, neu bestellte Geräte haben eine Wartezeit von vier bis sechs Monaten, das offizielle Absatzziel liegt bei 20.000 Stück. Bei 399 US-Dollar pro Gerät ergäben 20.000 Stück einen Umsatz in der Größenordnung von 8 Millionen US-Dollar (grobe Schätzung) – für das Gesamtgeschäft von Hugging Face kein nennenswerter Posten.
Es wirkt eher wie eine gezielte Aktion. Programmierbare zweibeinige Forschungsplattformen kosteten bislang meist mehrere Tausend bis Zehntausende Dollar, was den Einstieg in verkörperte KI an der Hardware-Beschaffung scheitern ließ. Mit 399 Dollar rückt diese Schwelle in den Bereich alltäglicher Ausgaben einzelner Entwickler. Pollen will, dass Leute mit diesem Stack Policies anpassen, Gewichte veröffentlichen und Pull Requests einreichen – so wie es nach der Offenlegung von Modellgewichten geschah, nur dass diesmal ein Stück physisches Verhalten nachgebaut wird.
Die ersten Auslieferungen lassen bis zum Jahresende auf sich warten; ob die Community diese Welle an Aufmerksamkeit aufnehmen kann, zeigt sich daran, wie viele von anderen trainierte Policies bis dahin im Repository liegen.
Quellen: Projekt-Repository von Pollen Robotics, CocoLoop, technische Analyse von Tony Bai, Sina Tech; Hardware-Spezifikationen und Softwarearchitektur nach offiziellem Repository, Bestellsumme und Stückzahl am ersten Tag nach öffentlich berichteten Angaben abgeglichen.