Als die BMW Group am 21. Juli Neuigkeiten zur Softwareentwicklung im Werk Landshut bekannt gab, fiel ein Detail besonders auf: Ingenieurinnen und Ingenieure arbeiten direkt in der Produktionsumgebung mit Motion-Capture-Anzügen und Datenhandschuhen, um humanoide Roboter anhand menschlicher Demonstrationen zu trainieren. Dieser Ansatz ähnelt dem von FMC³. Dass Physische KI nun auch im größten Komponentenwerk von BMW durch menschliche Demonstrationen trainiert wird, ist ein deutliches Zeichen für einen entscheidenden Wandel in der Industrie.

Erfahren Sie mehr über unsere Produkte:https://www.fmc3-robotics.ai/Products

Die Datenfrage

Sprachmodelle, die mit Texten aus dem Internet trainiert wurden, konnten ihre heutigen Fähigkeiten entwickeln, weil bereits Billionen von Tokens verfügbar waren. Für das autonome Fahren entstanden Datensätze durch Milliarden von Kilometern an realen Fahrtests. Der Robotik stehen solche Datenquellen nicht zur Verfügung.

Die Daten, die ein Roboter benötigt, um eine Manipulationsaufgabe zu erlernen – synchronisierte Videoaufnahmen, Gelenkpositionen, Motordrehmomente, taktiles Feedback und Kraftmesswerte – existieren bislang nicht in direkt nutzbarer Form. Sie müssen in realen Umgebungen aufgezeichnet werden – Demonstration für Demonstration.

Das Ausmaß dieser Datenlücke ist umfassend dokumentiert. Aktuellen Branchenanalysen zur Infrastruktur für Physische KI zufolge liegt der kurzfristige Bedarf an hochwertigen Manipulationsdaten bei rund 1,2 Millionen Stunden. Die weltweite Produktionskapazität ist dagegen auf etwa 250.000 bis 300.000 Stunden pro Monat begrenzt.

Für die Entwicklung eines wirklich generalisierbaren Modells für Physische KI könnten langfristig mehr als zehn Millionen Stunden multimodaler Interaktion in der realen Welt erforderlich sein. Der derzeit weltweit verfügbare Bestand an ausgereiften und strukturierten Datensätzen umfasst jedoch lediglich einige Hunderttausend Stunden.

Warum menschenzentrierte Daten das zentrale Element sind

Für die Erzeugung von Trainingsdaten für Physische KI gibt es vier grundlegende Ansätze, die jeweils mit klaren Vor- und Nachteilen kommen.

Internetvideos stehen zwar in großer Menge zur Verfügung, liefern jedoch nicht die für das Robotertraining erforderlichen physikalischen Begleitdaten – etwa Gelenkdrehmomente, taktile Sensordaten oder die genaue Position des Endeffektors. Sie können einem Roboter zeigen, wie das Falten von Wäsche aussieht – aber nicht, wie er diese Aufgabe tatsächlich ausführen muss.

Simulationen sind vergleichsweise kostengünstig und lassen sich nahezu unbegrenzt skalieren. Die Sim-to-Real-Lücke ist jedoch weiterhin nicht vollständig gelöst – insbesondere bei Aufgaben, die Kontakt, Verformung oder Reibung beinhalten. Synthetische Daten allein können die Trainingspipeline daher nicht vollständig abdecken.

Teleoperation liefert Daten mit höchster Genauigkeit. Eine 30-sekündige Aufzeichnung kostet jedoch etwa 1,50 bis 2,00 Euro, während sich die Kosten für eine Stunde auf rund 130 Euro belaufen. Für die Erfassung von 200.000 Stunden wären allein für die Datensammlung mehr als 25 Millionen Euro erforderlich. Darüber hinaus ist Teleoperation kostspielig und stark an die jeweils verwendete Hardware gebunden.

Die entscheidende, informationsreichere Datenebene bezeichnen wir als menschenzentrierte Daten.

Menschen führen reale Aufgaben in realen Umgebungen aus und tragen dabei Systeme, die Ego-Perspektiv-Videos, Handbewegungen mit 22 Freiheitsgraden, taktile Sensordaten und Kraftmesswerte erfassen. Sämtliche Datenströme werden mit einer zeitlichen Abweichung von weniger als 20 Millisekunden synchronisiert.

Dieser Ansatz erfasst mehr physikalische Informationen als herkömmliches Motion Capture – ohne die hohen Kosten und die Abhängigkeit von einer bestimmten Roboterhardware, die mit Teleoperation verbunden sind. Gleichzeitig lassen sich die gewonnenen Daten auf unterschiedliche Roboterplattformen übertragen, da sie anhand des menschlichen Körpers und nicht anhand eines bestimmten Roboters erfasst werden.

Eine praxistaugliche Trainingspipeline kombiniert mehrere Datenquellen:

Internetvideos für das visuelle Vortraining,

synthetische Daten zur Abdeckung vielfältiger Szenarien,

menschenzentrierte Daten zum Erlernen der grundlegenden Manipulationsstrategie,

Keine einzelne Datenebene kann den gesamten Trainingsprozess allein abdecken.

Die Zukunft der Physischen KI

Keine einzelne Datenquelle kann die Zukunft der Robotik im Alleingang ermöglichen. Während die Industrie das Vortraining mit Internetdaten und die synthetische Simulation bereits weitgehend beherrscht, fehlt weiterhin die entscheidende mittlere Ebene: hochdichte, menschenzentrierte Daten über reale physische Interaktionen.

FMC³ schafft die notwendige Verbindung zwischen menschlicher Bewegung und robotischer Ausführung. Durch die Standardisierung und Skalierung realer Demonstrationsdaten legen wir die Grundlage für die nächste Generation wirklich anpassungsfähiger Industrieroboter.

Unsere Pipeline zur Erfassung physischer Daten aus der realen Welt wird in Kürze von FMC³ Robotics vorgestellt.

Erfahren Sie als Erste von unseren neuesten Entwicklungen., während wir die nächste Generation der Dateninfrastruktur für Physische KI entwickeln.

Bis nächste Woche.

(Titelbild: Chat GPT)