Das Lernen von Robotern verlagert sich von Modellen hin zu Datenschleifen

Die Robotikforschung geht mittlerweile über die Frage hinaus, ob ein Modell eine überzeugende Aktion generieren kann. Die schwierigere Frage lautet, ob ein Modell nach einem nicht ganz gelungenen Versuch in einer realen Umgebung die nächste Aktion sicherer und zuverlässiger gestalten kann. Diese Frage steht im Mittelpunkt von drei Entwicklungen dieser Woche. Dyna Robotics veröffentlichte eine groß angelegte Studie zu Welt-Aktions-Modellen, die auf mehr als einer Million Stunden Videomaterial mit menschlichen Akteuren basiert. LG und NVIDIA stellten eine Roboter-Datenfabrik vor, die auf die Validierung in Produktionsstätten ausgerichtet ist. Luminous Robotics, ein in Boston ansässiges Unternehmen, das Schwerlastroboter für den Solaranlagenbau entwickelt, beschrieb ein „Robots-as-a-Service“-Konzept, bei dem jede Platzierung eines Solarmoduls als Trainingssignal dienen kann.

Diese Entwicklungen stammen aus unterschiedlichen Marktsegmenten, weisen jedoch auf denselben technischen Engpass hin. Die Branche benötigt Daten, die umfassend genug sind, um Verallgemeinerungen zu ermöglichen, strukturiert genug, um Steuerungsalgorithmen zu trainieren, und vernetzt genug, um zu messen, was nach dem Einsatz geschieht. Mehr Rechenleistung mag das Modell verbessern, doch das Modell benötigt nach wie vor einen Körper, Sensoren, eine Aufgabendefinition, einen Sicherheitsbereich und einen Rückkopplungspfad.

Videomaterial mit Menschen wird zum Schlüssel für das Vortraining

Die Veröffentlichung von „Dyna-2“ durch Dyna Robotics ist eine direkte Wette auf menschliches Videomaterial als skalierbare Quelle für Robotik-Lerndaten. Das Unternehmen beschreibt Dyna-2 als ein Weltaktionsmodell, das auf mehr als einer Million Stunden egozentrischer Videos von Menschen basiert. Es berichtet über Skalierungstrends bei zurückbehaltenen menschlichen Daten sowie über ein Skalierungsgesetz für den Transfer von Mensch zu Roboter, wonach mehr menschliche Daten die Offline-Vorhersage für Roboterdaten verbessern, die das Modell während des Vortrainings nicht gesehen hat.

Die Bedeutung dieser Aussage liegt nicht in der bloßen Größe der Zahl an sich. Eine Million Stunden Filmmaterial können immer noch schlecht auf die Aufgaben abgestimmt sein, die ein Roboter ausführen muss. Die technische Frage lautet, ob die Daten Beziehungen erfassen, die sich über verschiedene Verkörperungen hinweg übertragen lassen. Eine menschliche Hand, ein Parallelbacken-Greifer und eine geschickte Roboterhand weisen keine identische Mechanik auf. Sie teilen jedoch einige Szenen

Dynamik. Objekte bewegen sich bei Berührung. Oberflächen bieten Widerstand. Hände nähern sich, greifen, drehen und lassen los. Ein Modell, das diese Zusammenhänge erlernt, benötigt möglicherweise weniger roboterspezifische Daten, um sich an eine neue Plattform anzupassen.

Dyna-2 beschreibt zudem die Übertragung nach dem Training auf bimanuelle Arme mit parallelen Greifbacken, semi-humanoide Plattformen und geschickte Hände sowie ein Beispiel zum Öffnen von Flaschenverschlüssen, das anhand von zehn Minuten Teleoperationsdaten angepasst wurde. Hierbei handelt es sich um vom Unternehmen gemeldete Forschungsergebnisse. Sie begründen zwar keine Produktionszuverlässigkeit, stellen jedoch einen wertvollen Test für den Fachbereich dar. Sollte sich ein allgemeines Modell nach einer geringen Menge aufgabenspezifischer Daten plattformübergreifend übertragen lassen, könnte sich die Wirtschaftlichkeit des Robotereinsatzes verbessern. Sollte für jeden neuen Roboterkörper weiterhin eine umfangreiche Demonstration erforderlich sein, bleibt das Modell zwar nützlich, doch der Datenaufwand wird hoch bleiben.

Die Datenfabrik hält Einzug in die Produktionsstätte

Die Ankündigung von LG und NVIDIA zeigt, wie diese Forschungslogik zu einem industriellen System wird. Die Unternehmen beschrieben einen zweibeinigen Humanoiden der nächsten Generation, der NVIDIA Isaac GR00T, Jetson Thor und Halos for Robotics nutzt. Außerdem gaben sie bekannt, dass LG den radgetriebenen CLOiD-Roboter bis 2026 zur Validierung in einer Waschmaschinen-Produktionslinie in Tennessee einsetzen werde. In der Ankündigung wird PhysicalWorks als Plattform für die kontinuierliche Datenerfassung, die Generierung synthetischer Daten, das Training und die Verifizierung beschrieben.

Die wichtige technische Neuerung besteht darin, dass die Validierung Teil der Produktarchitektur wird. Ein Roboter, der in eine Fabrik gelangt, führt nicht nur eine Vorgabe aus. Er erstellt Aufzeichnungen über Wahrnehmungsfehler, Wiederherstellungsmaßnahmen, Beinaheunfälle, Eingriffe des Bedieners und Umweltveränderungen. Diese Aufzeichnungen können zu neuem Trainingsmaterial werden, jedoch nur, wenn das System den Kontext rund um jedes Ereignis bewahrt. Ein Videoclip ohne Angaben zum Aufgabenstatus, zum Roboterstatus, zum Zeitablauf und zu Eingriffen mag für die Erkennung nützlich sein, ist jedoch für die Steuerung nur von geringem Nutzen.

Eine Datenfabrik am Produktionsstandort schafft zudem eine Grenze zwischen Experimentieren und

Betrieb. Ingenieure können synthetische Varianten generieren, bevor sie diese an den Anlagen testen. Sie können eine neue Richtlinie mit einer früheren Version vergleichen. Sie können überprüfen, ob die Änderung eine Aufgabe verbessert, ohne dabei ein neues Sicherheitsrisiko zu schaffen. Dies entspricht eher einer kontinuierlichen Integration in der Robotik als dem traditionellen Vorgehen, bei dem eine fertige Maschine ausgeliefert und Software-Updates erst nachträglich berücksichtigt werden.

Die Belastung ist sowohl organisatorischer als auch technischer Natur. Das Werk muss entscheiden, wem die Daten gehören, wie die Mitarbeiter geschützt werden, welche Ereignisse aufgezeichnet werden und wie ein Modell-Update den Genehmigungsprozess durchläuft. Sind diese Kontrollmechanismen unzureichend, kann eine Datenfabrik unerwünschtes Verhalten begünstigen. Die aussagekräftige Kennzahl ist nicht, wie viele Daten ein Standort sammelt, sondern wie schnell er einen identifizierten Fehler in eine verifizierte Verbesserung umwandeln kann.

Korrekturen vor Ort sind Teil des Modells

Luminous Robotics beleuchtet dasselbe Problem aus der Perspektive der Einsatzseite. MassRobotics beschreibt die 4.000 Pfund schweren Industriesysteme des in Boston ansässigen Unternehmens, die im Rahmen eines „Robots-as-a-Service“-Modells auf aktiven Baustellen für Solarparkanlagen zum Einsatz kommen. Die Roboter nutzen eine Mehrkamera-Wahrnehmung, um Solarmodule anzuheben und auf Drehmomentrohre zu setzen. Dem Profil zufolge kann jede Platzierung – ob autonom oder durch einen Menschen korrigiert – ein Trainingssignal erzeugen, wobei der nächste Meilenstein eine messbare Reduzierung menschlicher Eingriffe in der gesamten Produktionsflotte ist.

Dieser Ansatz verändert die Bedeutung eines Einsatzes. Ein Standort ist nicht mehr nur ein Ort, an dem ein Roboter gegen Entgelt eine Aufgabe ausführt. Er ist zugleich eine Quelle strukturierter Erfahrungen. Das bedeutet jedoch nicht, dass jeder Eingriff wertvoll ist. Das System muss erkennen, was schiefgelaufen ist, was der Bediener geändert hat und ob sich die Korrektur auf einen anderen Regaltyp, eine andere Paneelposition, andere Lichtverhältnisse oder einen anderen Einsatzort übertragen lässt. Die technische Herausforderung besteht darin, eine wiederverwendbare Regel von einer einmaligen Korrekturmaßnahme zu unterscheiden.

Dieser Ansatz ist besonders relevant für unstrukturierte industrielle Umgebungen. Solarbaustellen unterscheiden sich je nach

Layout, Gelände, Wetter und Regalkonstruktion. Ein Roboter, der nur unter einer bestimmten Geometrie erfolgreich ist, kann keinen skalierbaren Service bieten. Das „Fleet Learning“ verspricht zwar eine Möglichkeit, Verbesserungen standortübergreifend zu verbreiten, erfordert jedoch auch eine sorgfältige Versionsverwaltung. Eine Modellaktualisierung, die einer Anlage zugutekommt, kann einer anderen schaden, wenn die zugrunde liegenden Annahmen unterschiedlich sind.

Der Evaluierungsstack wird zum Produkt

In all diesen Beispielen erweitert sich das Produkt von einem Modell oder einer Maschine hin zu einem Evaluierungsstack. Der Stack umfasst die Aufgabendefinition, die Sensorkonfiguration, das Datenschema, die Richtlinien, die Bedienerschnittstelle, die Sicherheitskontrollen, die Simulationsumgebung und den Abnahmetest. Unternehmen, die den gesamten Stack kontrollieren, können den Weg von einem Ausfall im Feld bis hin zu einer Änderung im nächsten Einsatz verkürzen.

Deshalb sind die technologischen Signale dieser Woche wichtiger als ein weiterer isolierter Benchmark. Dyna-2 befasst sich mit umfassendem Vortraining und Transfer. LG und NVIDIA befassen sich mit der Verbindung zwischen Fabrikdaten, synthetischen Daten, Modelltraining und Verifizierung. Luminous befasst sich mit der Umwandlung von Eingriffen auf Standortebene in Flottenlernen. Zusammen deuten sie darauf hin, dass der Wettbewerbsvorteil bei physischer KI davon abhängen wird, wo Daten generiert werden und wie schnell sie betrieblich vertrauenswürdig werden.

Dies macht roboterspezifische Entwicklung nicht überflüssig. Ein Grundmodell kann weder die Notwendigkeit von Kalibrierung, Greiferdesign, Energiemanagement noch die Sicherheitszertifizierung beseitigen. Ebenso wenig garantiert eine Datenfabrik, dass ein Modell verallgemeinerbar ist. Doch es verändert die Reihenfolge der Arbeitsschritte. Anstatt zunächst einen Roboter zu entwerfen und dann nach Aufgaben zu suchen, können Unternehmen ein fortlaufendes System entwickeln, das die Aufgabenleistung von Anfang an misst.

Was als Nächstes gemessen werden sollte

Die nächste Generation technischer Aussagen sollte anhand von vier Messgrößen beurteilt werden. Die erste ist die Übertragungseffizienz, bei der es darum geht, wie viele robotspezifische Daten erforderlich sind, um ein Modell an eine neue

Ausführung oder Aufgabe. Der zweite Indikator ist die Interventionsdichte, die misst, wie oft ein Mensch den Roboter korrigieren muss und ob diese Rate über die gesamte Flotte hinweg sinkt. Der dritte Indikator ist die Wiederherstellungsqualität, bei der geprüft wird, ob der Roboter einen Fehler erkennen und korrigieren kann, ohne dabei eine neue Gefahr zu verursachen. Der vierte Indikator ist die Einsatzportabilität, die misst, ob eine Richtlinie Änderungen hinsichtlich Standort, Objekt, Beleuchtung und Bediener übersteht.

Diese Messgrößen sind aussagekräftiger als eine einzelne Erfolgsquote, da sie die Modellleistung mit den Betriebskosten des Systems verknüpfen. Ein Modell, das bei einem Benchmark-Test erfolgreich ist, aber eine kontinuierliche Fernüberwachung erfordert, mag für die Forschung wertvoll, für die Produktion jedoch kostspielig sein. Ein Modell, das zunächst eine mäßige Leistung aufweist und sich unter begrenzten Korrekturen schnell verbessert, kann einen höheren kommerziellen Wert schaffen.

Die Robotikbranche tritt daher in eine Phase der Datenschleife ein. Die Gewinner werden nicht allein durch das größte Modell oder den menschenähnlichsten Körper definiert. Sie werden durch die Qualität des Weges von der Beobachtung zur Aktion, vom Eingriff zur Klassifizierung und vom Einsatz zur verifizierten Verbesserung definiert. Die Erkenntnisse dieser Woche deuten darauf hin, dass dieser Weg zur zentralen Technologie wird, die es zu beobachten gilt.