Mehr Roboter, mehr Daten, bessere Modelle? Der neue Wettbewerb um Physical AI

Ein humanoider Roboter lernt einen industriellen Prozess nicht einfach aus dem Internet. Er muss erfahren, wie ein Bauteil gegriffen wird, welche Bewegung bei einer Montage funktioniert oder wie mit Abweichungen umzugehen ist. Solche Daten aus der physischen Welt werden zu einer wichtigen Grundlage für sogenannte Physical AI: KI-Systeme, die über Roboter in der realen Welt handeln.

„Physical AI hat zwei zentrale Rohstoffe: sehr viel Rechenleistung und sehr viele Daten aus der realen Welt“, erklärt Fabian Machon, Head of Operations bei Stratosfare, beim Humanoide-Robotik-Meetup der it’s OWL Initiative Stratosfare.

Warum Daten selbst zum Anwendungsfall werden

Sprachmodelle konnten auf riesige Mengen bereits digital verfügbarer Inhalte zurückgreifen. Für Robotik fehlt ein vergleichbarer Datenbestand darüber, wie Menschen und Maschinen mit ihrer physischen Umgebung umgehen.

Diese Daten lassen sich auf unterschiedlichen Wegen gewinnen. Roboter werden ferngesteuert und zeichnen Bewegungen auf. Menschen tragen Sensoren oder filmen Tätigkeiten. Simulationen ergänzen reale Daten. Im tatsächlichen Einsatz entstehen zudem Informationen darüber, wann ein System funktioniert und an welchen Varianten es scheitert.

Dass Datenproduktion inzwischen selbst ein Anwendungsfall humanoider Robotik ist, zeigen die aktuellen Marktzahlen. Nach Angaben von Counterpoint Research wird ein erheblicher Teil der ausgelieferten Systeme derzeit für Forschung und Datenproduktion eingesetzt.

§ So auch im Robotics Lab von Stratosfare und Fraunhofer IEM, in dem Robotern beigebracht wird, was sie tun sollen. Dafür führt ein Mensch zunächst eine Bewegung vor, Controller oder Motion-Capture-Systeme zeichnen sie auf. „Als Erstes brauchen wir Demonstrationsdaten. Dafür brauchen wir ein Eingabegerät“, sagt Kivanc Adsay, Experte für humanoide Robotik am Fraunhofer IEM

Erst anschließend können solche Daten in das Training oder die Anpassung von Robotikmodellen einfließen. Zwischen einer vorgeführten Bewegung und einem Roboter, der dieselbe Aufgabe später selbstständig und zuverlässig erledigt, liegen damit mehrere weitere Entwicklungsschritte.

Vormachen statt für jede Aufgabe neu trainieren

Bei der Frage, wie eine neue Tätigkeit in ein Robotikmodell gelangt, hat es zuletzt Fortschritte gegeben. Skild AI stellte im August sein Modell S1 vor. Eine neue Aufgabe kann dem Modell über eine einzelne Videodemonstration gezeigt werden, ohne es anschließend speziell für diese Aufgabe neu zu trainieren. Im unternehmenseigenen Benchmark erreichte S1 mit 100.000 Stunden zugrunde liegenden Trainingsdaten bei unbekannten Aufgaben eine Erfolgsquote von 66 Prozent, bei bekannten Aufgaben rund 96 Prozent.

Fast zeitgleich stellte das Robotikunternehmen Generalist mit GEN-1.5 ebenfalls ein Modell vor, das neue Aufgaben anhand einer Demonstration ausführen soll.

Beide Ergebnisse stammen von den Anbietern selbst. Sie belegen nicht, dass sich beliebige Industrieprozesse heute einmal vormachen und anschließend zuverlässig automatisieren lassen. Bemerkenswert ist trotzdem der Ansatz: Die Demonstration selbst wird zunehmend Teil der Aufgabenbeschreibung für den Roboter.

Martin Rabe, Head of Stratosfare, warnt allerdings davor, die sichtbaren Fortschritte der Systeme mit industrieller Einsatzreife gleichzusetzen: „Die Kinematik der Systeme ist teilweise schon extrem weit. Die Herausforderung ist gerade, eine wirklich stabile Trainingspipeline zu entwickeln und dass die Roboter sinnvolle Aufgaben autonom erledigen – da sind wir noch weit von entfernt.“

Für die Produktion zählen Wiederholbarkeit, der Umgang mit Varianten, Schnittstellen zu Maschinen und IT sowie ein sicherer Betrieb. Ein Roboter, der einen Gegenstand in einer Demonstration erfolgreich bewegt, beherrscht damit noch keinen industriellen Prozess.

Für viele Unternehmen ist der Kauf noch nicht der erste Schritt

Ein Humanoid ist derzeit häufig eine Entwicklungsplattform. Bis daraus eine Automatisierungslösung für einen konkreten Prozess wird, kommen Training, Rechenleistung, Sensorik, Software und Integrationsaufwand hinzu.

Auch die Geräte selbst verändern sich schnell. Neue Modelle kommen auf den Markt, Softwarestände wechseln, ebenso die verfügbaren KI-Modelle.

„In der aktuellen Explorationsphase ist gemeinsamer Zugang zu Infrastruktur oft wirtschaftlicher als individueller Roboterbesitz“, sagt Rabe.

Stratosfare und Fraunhofer IEM setzten deshalb auf gemeinsam nutzbare Infrastruktur. Unternehmen können Systeme und Trainingsverfahren erproben, Prozesse auswählen und den Aufwand abschätzen, bevor sie eine eigene Umgebung aufbauen.

Untersucht werden unter anderem Materialtransport und -bereitstellung, Maschinenbestückung, Sichtprüfungen sowie Montage- und Vormontageschritte. Ob ein humanoider Roboter bei diesen Aufgaben wirtschaftlicher ist als bestehende Automatisierungstechnik, muss jeweils im konkreten Prozess geprüft werden.

Was weiß ein Industrieunternehmen, was dem Robotikhersteller fehlt?

Mit dem Training rückt eine weitere Frage in den Vordergrund: Woher kommen die Daten für spezialisierte industrielle Tätigkeiten?

Allgemeine Greif- und Bewegungsdaten können Robotikunternehmen selbst erzeugen. Für Produktionsprozesse reicht das nicht immer. Welche Kraft benötigt ein bestimmter Montageschritt? Welche Abweichungen treten im Alltag auf? Woran erkennt eine erfahrene Fachkraft, dass ein Prozess instabil wird?

„Die Roboterhersteller brauchen Daten aus speziellen Produktionsprozessen“, sagt Rabe. „Da brauchen sie die Unternehmen, die dieses Wissen haben und die kommen zum Beispiel aus unserem Cluster it’s OWL.“

Gerade im industriellen Mittelstand steckt viel davon. Allerdings ist ein Erfahrungswert im Kopf einer Fachkraft noch kein Trainingsdatensatz. Das Wissen muss erfasst, strukturiert und technisch nutzbar gemacht werden.

Agility Robotics beschreibt öffentlich, wie Daten aus realen Kundeneinsätzen genutzt werden, um Abweichungen und Fehlerfälle zu identifizieren und Trainings- sowie Testdatensätze weiterzuentwickeln.

Daraus folgt nicht, dass humanoide Roboter grundsätzlich Produktionsdaten an ihre Hersteller übertragen. Welche Informationen erhoben werden, wo sie gespeichert werden und wofür sie genutzt werden dürfen, hängt vom jeweiligen Anbieter und Vertrag ab.

Für Unternehmen lohnt es sich dennoch, diese Fragen bereits bei ersten Versuchen zu klären. Beim Training eines Roboters können Informationen über Prozesse entstehen, die auch für die Weiterentwicklung der zugrunde liegenden Modelle wertvoll sind.

Vom Anwender zum Zulieferer für Robotik

Rabe sieht für Industrieunternehmen zudem Chancen auf der Anbieterseite. Sie müssen humanoide Roboter nicht ausschließlich als künftige Nutzer betrachten.

Der entstehende Markt braucht Aktuatoren, Sensorik, Software, Safety-Lösungen und Systemintegration. Auch branchenspezifisches Prozesswissen könnte eine Rolle spielen.

„Das einzige Geschäftsmodell ist nicht, die eigenen Prozesse zu automatisieren“, sagt Rabe.

Für Maschinenbauer sind beispielsweise Angebote denkbar, bei denen eine Anlage künftig gemeinsam mit einer Robotiklösung für das Be- und Entladen angeboten wird. Noch sind solche Modelle nicht etabliert. Sie zeigen aber, wie breit die Wertschöpfung rund um humanoide Robotik werden könnte.

Stratosfare will Unternehmen deshalb schon vor einem breiten produktiven Einsatz mit der Technologie vertraut machen. Neben technischen Versuchen geht es um Anbieter, Datenflüsse, Infrastruktur, Safety und die Frage, welche Anwendungen im eigenen Unternehmen überhaupt sinnvoll sind.

„Wir wissen nicht, wann der technologische Sprung kommt“, sagt Rabe. „Aber Unternehmen können heute dafür sorgen, dass sie dann vorbereitet sind.“

Wie schnell aus den steigenden Stückzahlen produktive industrielle Anwendungen entstehen, ist offen. Leistungsfähigere Robotik braucht jedenfalls mehr als bessere Hardware und Rechenleistung. Sie braucht Daten darüber, wie reale Arbeit funktioniert. Gerade bei spezialisierten Industrieprozessen liegen dieses Wissen und die entsprechenden Erfahrungen häufig bei den Anwenderunternehmen.

Unternehmen, die an dem Thema interessiert sind, können sich bei Stratosfare und Martin Rabe melden. Zum 1. Januar 2027 startet der zweite Batch des Konsortialprojekts „Getting started Humanoide Robotik“ bei dem Unternehmen alles über die Technologie erfahren und auf deren Einsatz im eigenen Unternehmen vorbereitet werden.

Impressionen vom Stratosfare Meetup