So funktioniert es

Robot Learning in Kurzform.

Datenquellen speisen eine Lern-Pipeline, die jede Bauform bedient. Von der ersten Demonstration bis zum laufenden Betrieb.

Datenquellen

Ingenieur sammelt Demonstrationen über Teleoperations-Rigs an zwei Roboterarmen

Teleoperation

Heute im Einsatz

Menschen führen die Aufgabe über Teleop-Rigs vor, typischerweise 50 bis 200 Demos pro Aufgabe.

Humanoider Roboter trainiert eine Greifaufgabe in der Simulation

Simulation und Weltmodelle

Skaliert gerade

Synthetische Daten vervielfachen die Demos, grob um Faktor 20, plus Pre-Training in der Simulation.

Arbeiter mit Kopfkameras zeichnen ihre Handgriffe in der Fertigung auf

Lernen aus Videos

Noch früh

Roboter lernen aus Videos von Menschen bei der Arbeit. Vielversprechend, aber noch am Anfang.

Robot Learning Pipeline

  1. 1

    Collect

    Teleop-Demos an Ihren Teilen

  2. 2

    Curate & Augment

    bereinigen, labeln, in der Simulation skalieren

  3. 3

    Train Policy

    Imitation Learning (ACT, Diffusion, VLA)

  4. 4

    Validate in Sim

    Benchmarks, bevor Hardware läuft

  5. 5

    Validate on Cell

    stufenweise Tests gegen vereinbarte Kennzahlen

  6. 6

    Deploy & Monitor

    Flottendaten fließen zurück in die Pipeline

  7. Flottendaten

Im Einsatz auf

Bimanuale Roboterzelle sortiert Metallteile in Kartons

Bimanuale Zelle

Wert heute

Zwei Arme, fest installiert. Montage und Pick-and-Insert laufen heute schon produktiv.

Mobiler Manipulator mit zwei Armen auf einer fahrbaren Plattform

Mobiler Manipulator

Nimmt Fahrt auf

Für Maschinenbeschickung und Intralogistik. Zertifizierungen laufen, die Reife steigt schnell.

Humanoider Roboter arbeitet an einem Tisch mit einem Menschen zusammen

Humanoid

Wird pilotiert

Die mobilste Bauform, gebaut für Umgebungen, die für Menschen gemacht sind.

Eine Pipeline, jede Bauform: Daten, die Sie heute sammeln, behalten ihren Wert. Teleoperation-basiertes Robot Learning ist für ausgewählte Use Cases im Produktionsbetrieb bewährt, mit Praxiserfahrung in unserem Team und Netzwerk.

Hackathons und Partner

Wir warten nicht auf fertige Antworten.

Robot Learning ist ein junges Feld. Vieles, was in zwei Jahren Standard sein wird, entsteht gerade erst. Deshalb probieren wir selbst aus, statt nur Paper zu lesen.

Mit unseren AI+Robotics Hackathons holen wir die Community an einen Tisch. Teams aus Ingenieuren, Forschenden und Studierenden arbeiten an echten Fragen: Wie sammelt man Daten schneller und günstiger? Wie holt man mehr aus ihnen heraus? Welche Lösungsarchitekturen tragen, und was lässt sich an konkreten Use Cases direkt umsetzen?

Dazu arbeiten wir eng mit Forschenden und Startup-Partnern zusammen, in Aachen und darüber hinaus. Erkenntnisse aus unserem Netzwerk beeinflussen, was wir für unsere Kunden entwickeln.

Daten schneller sammelnDaten besser nutzenLösungsarchitekturen entwerfenUse Cases umsetzen
Hackathon-Werkstatt mit Roboterarmen und Teams an ihren Laptops
Der AI+Robotics LeRobot Hackathon, den wir mit Robotics Collective und dem IfU veranstaltet haben
Ingenieur mit VR-Headset führt einen Roboterarm über einen Handcontroller
VR zur Datenerfassung per Teleoperation
Team betrachtet Objekterkennung auf einem Bildschirm neben einer Roboterzelle
3D-Bildverarbeitung für Montage und Demontage
Ingenieur prüft eine Roboter-Bahnplanung in der Simulation am Monitor
Simulation, bevor es in die reale Zelle geht
Zwei Personen verkabeln und testen Roboterarme an einer Werkbank
Integration und Tests, hands-on

Einblicke

Aus dem Labor, von Hackathons, aus Projekten.

Ein paar Ausschnitte aus unserer Arbeit rund um Robot Learning.

Zum Durchsehen horizontal scrollen →

Teleoperation am Fanuc

Ein Industrieroboter am Teleop-Rig, mit unserem Partner TOS.

Bimanuale Zelle, autonom

Erst demonstriert, dann läuft die Aufgabe von allein.

Robot Learning am Cobot

Angelernte Handgriffe, vom Greifen bis zum Fügen.

Autonome Demontage

Zwei Arme zerlegen ein Produkt, mit unserem Partner Roberto.

Lackier-Roboter anlernen

Die Bahn zeigt der Mensch, nicht der Programmiercode.

Teleoperation: Küchentisch abräumen

Zwei Arme, ein Operator. So entstehen die Demonstrationen, aus denen Roboter lernen.