AI Trainer ermöglicht datengetriebene Robotik

Universal Robots hat auf der GTC 2026 seine AI-Trainer-Plattform vorgestellt und markiert damit einen Wandel hin zu KI-gestützter Robotik, bei der Systeme Aufgaben durch Daten statt durch vorprogrammierte Anweisungen erlernen. Die in Zusammenarbeit mit Scale AI entwickelte Plattform ermöglicht die Erfassung hochwertiger Datensätze direkt von Industrierobotern.

Die Lösung wurde entwickelt, um die Lücke zwischen KI-Forschung und realer Anwendung zu schließen, indem Roboter mit derselben Hardware trainiert werden können, die auch in Produktionsumgebungen eingesetzt wird.

Leader-Follower-Training für reale Anwendungen
Im Zentrum des AI Trainers steht ein Leader-Follower-Ansatz. Menschliche Bediener führen einen „Leader“-Roboter durch eine Aufgabe, während ein synchronisierter „Follower“-Roboter die Bewegung in Echtzeit nachbildet.

Während dieses Prozesses erfasst das System multimodale Daten, darunter Bewegungen, Kraftfeedback und visuelle Eingaben. Diese synchronisierten Datensätze werden genutzt, um fortschrittliche KI-Modelle wie Vision-Language-Action (VLA)-Systeme zu trainieren, sodass Roboter komplexe und kontaktintensive Aufgaben erlernen können.

Dieser Ansatz ermöglicht es Robotern, menschliche Handlungen zu imitieren und sich an dynamische Umgebungen anzupassen, was eine flexiblere Automatisierung unterstützt.

Hochpräzise Daten durch Kraftfeedback
Eine zentrale Herausforderung bei der Entwicklung von KI in der Robotik ist der Mangel an hochwertigen Trainingsdaten. Viele Systeme basieren hauptsächlich auf visuellen Daten oder werden mit nicht-industriellen Robotern trainiert, was ihre Einsatzfähigkeit in der Produktion einschränkt.

Der AI Trainer begegnet diesem Problem durch den Einsatz direkter Drehmomentregelung und Kraftfeedback, wodurch detaillierte Daten physischer Interaktionen erfasst werden können. So können Roboter Aufgaben erlernen, die Berührung, Druck oder feinfühlige Manipulation erfordern.

Durch die direkte Datenerfassung auf Industrierobotern wird sichergestellt, dass trainierte Modelle zuverlässiger in realen Anwendungen eingesetzt werden können.




Kontinuierliches Lernen durch Datenintegration
Die Plattform integriert sich in den AI Accelerator von Universal Robots sowie in die Dateninfrastruktur von Scale AI und schafft so einen kontinuierlichen Datenkreislauf. Während des Betriebs gesammelte Daten können zur Verbesserung von Modellen genutzt und anschließend erneut eingesetzt werden, um die Leistung kontinuierlich zu steigern.

Dieser „Daten-Flywheel“-Ansatz unterstützt die fortlaufende Optimierung robotischer Systeme und ermöglicht schnellere Iterationszyklen in der KI-Entwicklung.

Im Rahmen der Zusammenarbeit planen die Unternehmen zudem die Veröffentlichung eines groß angelegten industriellen Datensatzes aus Systemen von Universal Robots.

Simulation und synthetische Datengenerierung
Neben der physischen Datenerfassung untersucht Universal Robots auch simulationsbasiertes Training mit Tools von NVIDIA.

Mit NVIDIA Omniverse und Isaac Sim können Entwickler Roboter in physikbasierten virtuellen Umgebungen trainieren. Diese Simulationen ermöglichen das sichere Testen komplexer Szenarien sowie die Generierung synthetischer Daten im großen Maßstab.

Das Unternehmen evaluiert zudem den Ansatz der NVIDIA Physical AI Data Factory zur Automatisierung der Datengenerierung und zur Beschleunigung von Trainingsprozessen.

Auf dem Weg zur Allzweck-Robotik
Auf der Veranstaltung demonstrierte Universal Robots außerdem ein von Generalist AI entwickeltes Robotik-Foundation-Modell. In der Demonstration führten zwei Roboter autonom eine Smartphone-Verpackungsaufgabe aus und zeigten koordinierte Bewegungen sowie präzise Manipulation.

Die Kombination aus hochwertiger Datenerfassung, Simulation und Foundation-Modellen spiegelt einen breiteren Branchentrend hin zu universell einsetzbaren Robotern wider, die wahrnehmen, schlussfolgern und aus Erfahrungen lernen können.

Durch die Ermöglichung skalierbarer, datengetriebener Trainingsprozesse soll die AI-Trainer-Plattform den Übergang von starrer Automatisierung hin zu adaptiven, intelligenten Robotersystemen beschleunigen.

Bearbeitet von der Industrie-Journalistin Romila DSilva, mit Unterstützung von KI.