Wandelbots Blog

Kommentar: Bullhounds Robotics Report trifft den Markt ins Schwarze. Das fehlende Puzzlestück ist das Operating Model.

Wandelbots — Wed, 29 Jul 2026 22:00:00 GMT

Manche Reports verlieren bereits wenige Wochen nach ihrer Veröffentlichung an Relevanz. Bullhound Capitals Assembled Intelligence – The Layered Investment Case for Robotics, erschienen im Mai 2026, hat das Gegenteil bewiesen. Während die Branche weiterhin intensiv über KI, Humanoide und Automatisierung diskutiert, gewinnt seine Analyse der zugrunde liegenden Marktmechanismen sogar weiter an Bedeutung.

Anstatt einzelne Anbieter oder Technologien zu bewerten, richtet der Report den Blick auf die strukturellen Kräfte, die den Robotikmarkt nachhaltig verändern: den zunehmenden Fachkräftemangel, den wachsenden Wert von Deployment-Erfahrung, die Bedeutung von Produktionszuverlässigkeit, den Aufbau operativer Infrastruktur sowie das sich wandelnde Kräfteverhältnis zwischen China, den USA und Europa. Gemeinsam zeichnen diese Entwicklungen ein klares Bild. Wettbewerbsvorteile entstehen künftig nicht mehr allein durch technologische Innovationen, sondern zunehmend durch die Fähigkeit, Robotik im industriellen Maßstab zu implementieren, zu betreiben und kontinuierlich weiterzuentwickeln.

Genau an diesem Punkt geht die Schlussfolgerung jedoch über die Technologie selbst hinaus. Denn wer Robotik dauerhaft skalieren möchte, braucht mehr als leistungsfähige Systeme. Unternehmen benötigen ein Operating Model, das technologische Fähigkeiten in eine wiederholbare organisatorische Kompetenz übersetzt und kontinuierliches Lernen über Standorte, Produktionslinien und Werke hinweg ermöglicht.

Doch was bedeutet das konkret für produzierende Unternehmen? Und welche Konsequenzen ergeben sich daraus für das Operating Model der Zukunft?

Der Implementierungs-Graben ist organisatorischer Natur

Der Fachkräftemangel ist längst keine vorübergehende Marktverzerrung mehr. Qualifizierte Fachkräfte gehen schneller in den Ruhestand, als Unternehmen sie ersetzen können. Gleichzeitig geht jahrzehntelang aufgebautes Produktionswissen verloren. Bullhound beschreibt dies treffend als einen strukturellen Nachfrageboden für Robotik und nicht als einen weiteren Automatisierungszyklus. Die Auswirkungen reichen jedoch weit über Investitionen in Roboter hinaus. Unternehmen müssen Wege finden, dieses operative Wissen zu sichern, wiederzuverwenden und kontinuierlich weiterzuentwickeln, anstatt es bei jedem neuen Projekt oder jedem neuen Standort erneut aufzubauen.

Bullhounds zweite Erkenntnis ist ebenso bedeutsam. Der eigentliche Wettbewerbsvorteil entsteht nicht allein durch geistiges Eigentum, sondern durch Produktionsstunden, kontinuierliche Lernschleifen und Erfahrungen unter realen Betriebsbedingungen. Das verändert die Art und Weise, wie Hersteller über Deployments (Implementierungen) nachdenken sollten. Ein erfolgreicher Proof of Value ist wichtig, schafft für sich genommen jedoch noch keinen nachhaltigen Wettbewerbsvorteil. Dieser entsteht erst dann, wenn jedes Deployment das nächste verbessert und operatives Wissen wiederverwendbar wird, anstatt auf eine einzelne Fabrik oder ein einzelnes Engineering-Team beschränkt zu bleiben.

Wenn Automatisierungslogik, Governance, digitale Zwillinge und operatives Wissen standortübergreifend genutzt werden können, wird jede neue Implementierung schneller, risikoärmer und weniger abhängig von knappen Engineering-Ressourcen. Der eigentliche Wert wächst dabei nicht mit jedem einzelnen Projekt, sondern mit der Fähigkeit der Organisation, aus jedem Projekt zu lernen und dieses Wissen systematisch wieder einzusetzen. Genau darin liegt der Unterschied zwischen einer Reihe erfolgreicher Automatisierungsprojekte und einer Organisation, die Automatisierung als unternehmensweite Kompetenz etabliert.

Wettbewerbsvorteile entstehen durch Standards

Bullhound argumentiert, dass die nachhaltigsten Wertschöpfungspotenziale in der Robotik nicht bei einzelnen Technologieanbietern liegen, sondern in der operativen Infrastruktur. Operative Infrastruktur bedeutet dabei weit mehr als Software. Sie umfasst Governance, wiederverwendbare Workflows, Lifecycle-Management und unternehmensweite Standards, die es ermöglichen, Software immer wieder produktiv einzusetzen, anstatt ihren Nutzen auf einzelne Projekte zu beschränken. Ohne ein solches Operating Model bleibt selbst die leistungsfähigste Technologie letztlich nichts weiter als ein weiterer erfolgreicher Pilot.

Auch die abschließende Beobachtung des Reports führt zu derselben Schlussfolgerung. China, die USA und Europa bringen jeweils unterschiedliche Stärken in das Robotik-Ökosystem ein. Hardware-Lieferketten, Software-Infrastrukturen, Embedded Systems und Deployment-Kompetenzen werden jedoch auch künftig global miteinander verflochten bleiben, anstatt sich zu einem dominierenden Technologie-Stack zu entwickeln. Hersteller benötigen deshalb ein Operating Model, das sich gemeinsam mit diesem Ökosystem weiterentwickeln kann, anstatt von einem einzelnen Technologiepfad abhängig zu werden. Eine hersteller- und hardwareunabhängige Infrastruktur wird damit zu einer strategischen Entscheidung, weil sie technologische Wahlfreiheit erhält und gleichzeitig unternehmensweite Automatisierungsstandards ermöglicht.

Genau an diesem Punkt wird softwaredefinierte Automatisierung von einer technologischen zu einer strategischen Fragestellung. Über viele Jahre hinweg lag der Fokus produzierender Unternehmen darauf, einzelne Automatisierungsprojekte zu optimieren. Künftig wird jedoch zunehmend Software darüber entscheiden, wie Automatisierung unternehmensweit implementiert, gesteuert, angepasst und kontinuierlich verbessert werden kann. Wettbewerbsvorteile entstehen nicht mehr dadurch, einen einzelnen Roboter effizienter zu programmieren. Sie entstehen durch ein wiederverwendbares Ausführungsmodell, das es ermöglicht, Hunderte von Robotern, Produktionslinien und Standorten weiterzuentwickeln, ohne jedes Mal von vorn beginnen zu müssen.

Dafür braucht es eine Infrastrukturebene oberhalb einzelner Hardware- und Herstellerökosysteme. Eine hersteller- und hardwareunabhängige Plattform, mit der Unternehmen standardisieren können, wie Automatisierung entwickelt und betrieben wird, ohne dabei die Flexibilität zu verlieren, unterschiedliche Roboter, Anwendungen und zukünftige KI-Fähigkeiten zu integrieren. Genau darin liegt das Fundament softwaredefinierter Automatisierung.

Physical AI braucht eine Ausführungsebene

Genau für diesen Wandel wurde Wandelbots NOVA entwickelt. Anstatt Automatisierung als eine Abfolge isolierter Engineering-Projekte zu behandeln, stellt NOVA die Infrastrukturebene bereit, die KI, digitale Zwillinge und Roboterausführung miteinander verbindet. Dadurch können Hersteller wiederverwendbare Standards aufbauen, anstatt für jede neue Anwendung individuelle Lösungen neu zu entwickeln.

Das Ziel besteht nicht darin, bestehende Automatisierungsinvestitionen zu ersetzen. Ziel ist es, sie skalierbar, steuerbar und kontinuierlich verbesserbar zu machen, indem eine fehlende Ausführungsebene über bestehende Automatisierungslandschaften gelegt wird.

Genau das versteht Wandelbots unter Physical AI. Nicht Intelligenz, die auf einen einzelnen Roboter angewendet wird, sondern Intelligenz, die physische Abläufe unternehmensweit steuert, kontinuierlich aus der Produktion lernt, Ausführungsstandards etabliert und Ergebnisse standortübergreifend verbessert.

Die Unternehmen, die diese Fähigkeit als Erste aufbauen, werden nicht einfach mehr Automatisierung einsetzen. Sie werden ein Operating Model etablieren, bei dem jedes Deployment das nächste verbessert, jeder Standort zu einem gemeinsamen Standard beiträgt und jede Optimierung den Nutzen der gesamten Organisation erhöht. Genau daraus entsteht ein Wettbewer

Bereite deine Organisation auf die nächsten Schritte vor

Das Executive Integration Playbook (English only) bietet einen strukturierten Rahmen, um das Operating Model deines Unternehmens über vier Entwicklungsphasen hinweg zu bewerten – von der strategischen Ausrichtung über den ersten Proof of Value bis hin zum unternehmensweiten Rollout und der kontinuierlichen Optimierung. Es unterstützt Führungskräfte in der Fertigungsindustrie dabei, den aktuellen Reifegrad ihrer Organisation zu bestimmen und die organisatorischen Fähigkeiten zu identifizieren, die erforderlich sind, um Automatisierung erfolgreich im gesamten Unternehmen zu skalieren.

Physical AI in der Praxis: Die Wandelbots Live-Demo auf der Hannover Messe 2026

Naveed Bhuiyan — Tue, 26 May 2026 22:00:00 GMT

Auf der Hannover Messe 2026 präsentierte Wandelbots eine Live-Demonstration, die zeigte, wie Simulation, KI, Orchestrierung und physische Automatisierungssysteme innerhalb eines durchgängigen Produktionsworkflows zusammenarbeiten können.

Anstatt sich auf einen eng definierten, branchenspezifischen Anwendungsfall zu konzentrieren, wurde der Demonstrator bewusst als abstraktes Automatisierungsszenario gestaltet, das sich auf unterschiedliche Fertigungsumgebungen übertragen lässt.

Ein AGV liefert zufällig positionierte Würfel in einen Sammelbehälter, aus dem die Roboter sie aufnehmen können. Ein 3D-Vision-System scannt die Szene, KI identifiziert die Positionen der Würfel sowie sichtbare Buchstaben, und mehrere Roboter koordinieren sich in Echtzeit, um zufällig ausgewählte Wörter wie ADAPT, DATA, ACT oder AI zusammenzusetzen.

Der Demonstrator zeigte, wie KI-basierte Wahrnehmung, Simulationsumgebungen und Orchestrierungssoftware zu einem einheitlichen operativen Workflow integriert werden können, der sowohl digitale als auch physische Produktionssysteme umfasst.

Im folgenden Video ist ein vollständiger Produktionszyklus zu sehen, der live am Messestand aufgezeichnet wurde:

Ein kontinuierlicher operativer Kreislauf statt einer statischen Automatisierungszelle

Traditionelle Automatisierungssysteme basieren häufig auf festen Annahmen:

vordefinierte Positionen
vorhersehbare Abläufe
isolierte Maschinen
herstellerspezifische Logik
manuelle Eingriffe bei Fehlern oder Stillständen

Der Demonstrator führte Variabilität direkt in den Prozess ein.

Die Positionen der Würfel änderten sich kontinuierlich.
Die Wortauswahl änderte sich dynamisch.
Greifsituationen variierten von Zyklus zu Zyklus.
AGV-Ausfallszenarien wurden Teil der Workflow-Logik.
Hardware unterschiedlicher Hersteller wurde nativ über eine einheitliche Python-Plattform mit Wandelbots NOVA OS betrieben.

Anstatt diese Situationen als Ausnahmen zu behandeln, wurde das System so konzipiert, dass es sich in Echtzeit anpasst – über einen kontinuierlichen operativen Kreislauf mit vier verbundenen Phasen.

1. Sense

Roboter, Sensoren, Kameras, IPCs und das AGV übertragen kontinuierlich Informationen in das System. Das 3D-Vision-Setup erkennt die Positionen der Würfel und sichtbare Buchstaben in Echtzeit, während KI-Modelle die Szene klassifizieren und interpretieren, bevor die Ausführung beginnt.

Dadurch kann die Arbeitszelle dynamisch auf physische Variabilität reagieren, anstatt auf starren Positionsannahmen zu basieren.

Während der Demo passte sich das System kontinuierlich an:

zufällig verstreute Würfelpositionen
wechselnde Zielwörter
unterschiedliche Greiforientierungen
Änderungen des Workflows zur Laufzeit
AGV-Ausfallsituationen

Ein besonders wichtiges Szenario demonstrierte die operative Resilienz: Falls das AGV nicht verfügbar war, umgingen die Roboter automatisch den AGV-Workflow und setzten den Betrieb über direkte Roboter-zu-Roboter-Übergaben fort – ohne manuellen Eingriff.

Anstatt den Workflow zu stoppen, leitete die Orchestrierungsschicht die Ausführung dynamisch um.

2. Think

Bevor die Ausführung auf dem physischen System erfolgt, werden Workflows in einer digitalen Umgebung simuliert und validiert.

Der komplette Demonstrator existiert als digitaler Zwilling in NVIDIA Omniverse, wo Roboterverhalten, Workflows und KI-gesteuerte Prozesse vor der Bereitstellung in der realen Zelle getestet werden können.

Vision-Modelle werden zunächst mithilfe synthetischer Daten innerhalb von Simulationsumgebungen trainiert und anschließend durch operatives Feedback aus dem realen System weiter verfeinert.

Auf der Hannover Messe konnten Besucher dies direkt beobachten: Während der physische Produktionsprozess auf der Messefläche lief, wurde parallel im Hintergrund eine Live-Simulation desselben Workflows ausgeführt.

Der Demonstrator kombinierte vier verbundene Ebenen:

die physische Automatisierungszelle
den digitalen Zwilling in NVIDIA Omniverse
KI-Trainingsworkflows mit synthetischen Daten
die operative Orchestrierung über Wandelbots NOVA

Ziel ist es, die Lücke zwischen Planung, Validierung, Deployment und kontinuierlicher Optimierung zu reduzieren.

3. Act

Nach der Validierung werden Workflows direkt über Wandelbots NOVA über heterogene Automatisierungssysteme hinweg ausgeführt.

In diesem Demonstrator orchestrierte eine einzelne Wandelbots-NOVA-Instanz:

GESSbot-AGV
Yaskawa-Roboter
KUKA-Roboter
KI-gestützte Vision-Systeme
externe IPCs
die Workflow-Ausführung zur Laufzeit

Wandelbots NOVA fungierte als zentrale Orchestrierungs- und Kommunikationsschicht, die alle operativen Komponenten zu einem koordinierten Gesamtsystem verband.

Das ist besonders relevant in Umgebungen, in denen Hersteller gemischte Hardware-Ökosysteme betreiben, anstatt sich auf einen einzelnen Anbieter-Stack zu verlassen.

Die KI-basierte Erkennung selbst lief lokal auf den Geräten, um niedrige Latenzen zu ermöglichen, während umfassendere KI-Pipelines je nach Produktionsanforderung entweder cloudbasiert oder vollständig On-Premise betrieben werden konnten.

Das Ergebnis ist eine Architektur, in der Orchestrierungslogik, KI-Services, Simulationsumgebungen und physische Ausführung modular bleiben und dennoch als ein zusammenhängendes Produktionssystem arbeiten können.

4. Improve

Die letzte Phase schließt den operativen Kreislauf.

Da Wandelbots NOVA als einheitliches operatives Rückgrat fungiert, werden Live-Fehleranalyse und operative Wartung zu integrierten Bestandteilen des Produktionsworkflows anstatt isolierter Engineering-Aufgaben.

Zentralisiertes Logging und Observability ermöglichen es Operatoren und Ingenieuren:

Fehler schnell zu identifizieren
Laufzeitverhalten zu analysieren
betroffene Komponenten zu isolieren
einzelne Kubernetes-Pods bei Bedarf neu zu starten oder zu verwalten

Diese modulare Architektur verbessert die Robustheit und erhält gleichzeitig eine zentrale Orchestrierung über das gesamte System hinweg.

Gleichzeitig fließen operative Daten kontinuierlich zurück in das System, um zukünftige Ausführungszyklen zu verbessern.

Reales Produktionsfeedback hilft dabei, Folgendes zu optimieren:

Qualität der KI-Erkennung
Bewegungsabläufe
Orchestrierungslogik
Robustheit zur Laufzeit
operative Stabilität

Wichtig ist dabei, dass diese Verbesserungen möglich sind, ohne den gesamten Application Stack von Grund auf neu aufzubauen.

Wofür der Demonstrator tatsächlich steht

Diese Demo zeigt mehr als nur eine einzelne Robotikanwendung. Sie veranschaulicht, wie Physical AI Simulation, Orchestrierung, Wahrnehmung und Laufzeitausführung zu anpassungsfähigen Produktionsumgebungen verbinden kann, in denen:

Anwendungen hardwareübergreifend portierbar werden
Simulation und Produktion kontinuierlich verbunden bleiben
KI-Modelle sich durch operative Feedback-Schleifen verbessern
Orchestrierung hardwareunabhängig wird
Produktionssysteme anpassungsfähig statt statisch werden

Das Ergebnis ist ein Automatisierungsansatz, der über isolierte Demo-Zellen hinaus skaliert werden kann – hin zu wiederholbaren operativen Frameworks für reale Fertigungsumgebungen.

Vielen Dank an unsere Partner

Dieser Demonstrator wurde durch die Zusammenarbeit mit zahlreichen Partnern aus den Bereichen Robotik, KI, Simulation, Greiftechnik und industrielle Infrastruktur ermöglicht.

Ein großes Dankeschön an alle Partner, die dazu beigetragen haben, diesen Demonstrator auf der Hannover Messe zum Leben zu erwecken: Ensenso, Gessmann, KUKA, NVIDIA Omniverse, Schmalz, Schunk, Vathos, Yaskawa, Zimmer Group

Wandelbots und Vathos schließen Technologiepartnerschaft – KI-basierte Vision erweitert das NOVA Ecosystem

Lukas Krettek — Sun, 29 Mar 2026 22:00:00 GMT

Wandelbots und Vathos geben ihre strategische Technologiepartnerschaft bekannt. Ziel der Zusammenarbeit ist es, den Zugang zu KI-basierter Robot Vision zu vereinfachen und neue Maßstäbe für skalierbare Automatisierung zu setzen.

Mit der Integration von Vathos in Wandelbots NOVA erweitern wir unser Ecosystem gezielt um einen zentralen Baustein für Physical AI: intelligente, kamerageführte Robotik

KI-basierte Perception für dynamische Produktionsumgebungen

Steigende Variantenvielfalt, sich ändernde Bauteile und dynamische Prozesse stellen klassische Automatisierung zunehmend vor Herausforderungen.

Durch die Kombination aus Wandelbots NOVA und der KI-basierten 3D-Objekt- und Lageerkennung von Vathos lassen sich auch komplexe, schwer planbare Prozesse zuverlässig automatisieren – von flexiblem Pick & Place bis hin zu anspruchsvollen Montageanwendungen.

Plattform- und Marketplace-Ansatz als Skalierungshebel

Die Integration von Vathos folgt einem durchgängig plattformbasierten Ansatz:

Direkter Zugang zu neuen Funktionalitäten ohne individuelle Integrationsprojekte
Standardisierte Bereitstellung über eine zentrale Plattform
Wiederverwendbare Anwendungen für mehrere Standorte

Das reduziert Komplexität, verkürzt Projektlaufzeiten und ermöglicht eine schnellere Skalierung von Automatisierungslösungen.

Von der Simulation direkt in die Produktion

Wandelbots NOVA verbindet virtuelle Planung und reale Ausführung durchgängig.

Anwendungen können vollständig digital entwickelt, getestet und optimiert werden – inklusive Bahnplanung, Kollisionsprüfung und Prozesslogik. In Kombination mit der Perception von Vathos lassen sich auch kamerageführte Anwendungen vorab zuverlässig validieren.

Validierte Anwendungen können anschließend mit minimalem Anpassungsaufwand direkt auf den Shopfloor übertragen werden.

Das führt zu:

verkürzten Inbetriebnahmezeiten
stabileren Hochläufen
geringeren Risiken im laufenden Betrieb

Wirtschaftliche Wirkung entlang des gesamten Lebenszyklus

Die Partnerschaft adressiert zentrale wirtschaftliche Hebel in der Automatisierung:

Schnellere Umsetzung reduziert Time-to-Production
Weniger Engineering-Aufwand durch Standardisierung und Wiederverwendung
Höhere Anlagenverfügbarkeit durch robuste, adaptive Prozesse
Planbare Rollouts durch virtuelle Absicherung
Langfristige Flexibilität durch hardwareunabhängigen Ansatz

Damit verbessert sich sowohl die Effizienz einzelner Projekte als auch die Skalierbarkeit über mehrere Standorte hinweg.

Wandelbots NOVA als Plattform für Physical AI

Wandelbots NOVA ist die zentrale Plattform für die Entwicklung und den Betrieb von Robotikanwendungen und bildet die Grundlage für Physical AI auf dem Shopfloor.

Mit Partnerlösungen wie Vathos baut Wandelbots ein offenes Ecosystem auf, in dem spezialisierte Technologien nahtlos integriert werden. Der Marketplace übernimmt dabei eine Schlüsselrolle, indem er neue Funktionalitäten schnell verfügbar und skalierbar macht.

Hardwareunabhängigkeit als strategischer Vorteil

Wandelbots und Vathos verfolgen konsequent einen hardwareunabhängigen Ansatz.

Unternehmen können Roboter und 3D-Kameras flexibel wählen und bei Bedarf austauschen, ohne ihre Anwendungen neu entwickeln zu müssen. Das reduziert Abhängigkeiten und erhöht die Zukunftssicherheit von Investitionen.

Ausblick

Die Partnerschaft mit Vathos ist ein weiterer Schritt beim Ausbau des Wandelbots NOVA Ecosystems und erweitert die Plattform gezielt um KI-basierte Perception für kamerageführte Robotik.

Als zentrale Plattform für softwaredefinierte Automatisierung ermöglicht Wandelbots NOVA die schnelle Umsetzung, flexible Erweiterung und standortübergreifende Skalierung von Robotikanwendungen – und schafft gemeinsam mit Partnern wie Vathos die Grundlage für Physical AI auf dem Shopfloor.

Wandelbots bietet Physical AI für die Industrie auf Microsoft Azure an

Wandelbots — Mon, 08 Dec 2025 23:00:00 GMT

Sichere, skalierbare Plattform verbindet Robotik, Cloud und KI für fünfte industrielle Revolution

9. Dezember 2025 - München –Wandelbots legt die Basis für Industrie 5.0. Der Microsoft-Partner macht seine Automatisierungsplattform Wandelbots NOVA als SaaS-Lösung aus der Cloud auf Microsoft Azure verfügbar und schafft zugleich die Grundlage für Physical AI in industriellen Anwendungen. Wandelbots NOVA verbindet IT- und OT-Systeme über standardisierte APIs und deckt den gesamten Lebenszyklus der Automatisierung mit KI-Modellen ab: von der Simulation über Planung, Ausführung und Betrieb bis zur kontinuierlichen Optimierung. Dabei werden Microsoft-Azure-Lösungen wie Azure Arc und Fabric genutzt, um die Verbindung von Informationstechnologie (IT) und Betriebstechnologie (OT)zu gewährleisten.

Wandelbots NOVA verbindet auf Softwareebene Maschinen, Sensoren und KI-Modelle über offene Schnittstellen. Sie vereinheitlicht Daten aus heterogenen Robotik- und Automationssystemen, damit sie für KI-Modelle nutzbar sind. Über die skalierbare, sichere Cloud-Umgebung von Microsoft Azure werden diese Daten orchestriert, um die Modelle zu trainieren und produktiv einzusetzen. So entsteht durch die Zusammenarbeit mit Microsoft eine durchgängige Architektur von der Maschine in der Fertigung bis zur Cloud. Unternehmen können somit bestehende Anlagen modernisieren und um KI-Funktionen erweitern.

„Wir softwarisieren Produktion und Logistik um die OT flexibel und effizient zu machen. Digitalisierung und Automatisierung sind die wichtigsten Aspekte um die europäische Industrie zukunftsfähig zu halten. “, sagt Christian Piechnick, Gründer und CEO von Wandelbots. „Physical AI ist keine Zukunftsvision, sondern Realität. Das Industrial Metaverse in Kombination mächtiger KI-Modelle hilft Maschinen und ganze Produktionen intelligent, effizient, flexibel und wirtschaftlich zu machen. Mit Microsoft als Partner bringen wir Physical AI in die industrielle Praxis – auf der sicheren, global skalierbaren Cloud-Infrastruktur von Azure. So können Unternehmen KI nutzen, um ihre Produktion zukunftsfähig zu gestalten.”

„Künstliche Intelligenz hat die fünfte industrielle Revolution eingeläutet: eine Ära, in der physische und digitale Systeme verschmelzen“, so Christoph Berlin, Vice President of Engineering bei Microsoft. „Gemeinsam mit Wandelbots treiben wir diese Entwicklung voran: Physical AI bringt maschinelles Lernen dorthin, wo es die größte Wirkung hat – auf den Shopfloor.“

Industrie 5.0 als nächster Schritt

Während Industrie 4.0 die Systeme vernetzt hat, werden diese mit Industrie 5.0 jetzt intelligent. Denn sie sammeln nicht nur Daten, sondern übersetzen sie mit Hilfe von KI in nutzbares Wissen. So verwandeln sich Produktionsumgebungen zu lernfähigen Systemen, in denen Fachwissen, Automatisierung und KI nahtlos interagieren. Dies ist der Schritt von Big Data zu Smart Data.

Physical AI beschreibt diesen Wandel. KI geht hier über die digitale Datenverarbeitung hinaus und versteht auch räumliche Zusammenhänge, um aktiv mit der physischen Umgebung zu interagieren. Durch diese Verschmelzung von Intelligenz und physischer Welt reagieren Roboter und Maschinen adaptiv auf Veränderungen und optimieren eigenständig Prozesse. Diese Transformation steigert nicht nur die Effizienz, sondern stärkt auch die Wettbewerbsfähigkeit und ermöglicht nachhaltige Produktion. Gleichzeitig wandeln sich Roboter von isolierten Hardware-Systemen zu flexiblen Software-Bausteinen. Über neue Schnittstellen und Werkzeuge werden sie auch für Softwareentwickler und andere digitale Talente zugänglich. Dadurch wird Automatisierung für völlig neue Nutzergruppen erschließbar.

Die wichtigsten Funktionen

Für diese industrielle Intelligenz sind Datenzugang und Cloud-Infrastruktur notwendig. Die Lösung von Wandelbots, basierend auf Microsoft Technologie, bietet Fertigungsunternehmen:

Sichere, skalierbare Infrastruktur: Azure Kubernetes Service und Azure Arc ermöglichen das Management zahlreicher Roboter in Echtzeit.
Offene Schnittstellen: Standardisierte APIs verbinden Maschinen mit BI-, ERP- und MES-Systemen.
KI-gestützte Prozessoptimierung: Von Pfadplanung bis Predictive Maintenance – mit souveräner Datenhaltung in Azure.
Compliance by Design: Entra ID und Azure Security gewährleisten Datenschutz und regulatorische Konformität.
Befähigung der Belegschaft: Mit dem Copilot für Virtual Studio Code können Roboter Programme binnen Minuten erstellt und feinjustiert werden.

Während klassische Roboter auf starre Programme und spezialisierte Experten angewiesen sind, ermöglicht die Lösung von Wandelbots den Übergang von reiner Automatisierung zu adaptivem Verhalten. Die Systeme lernen damit, Entscheidungen auf Basis von Daten und Kontext zu treffen. Dabei passen sie sich kontinuierlich an neue Umgebungen und Aufgaben an.

Beispiel aus der Praxis

Schaeffler, ein weltweit führender Automobil- und Industriezulieferer, nutzt bereits Wandelbots NOVA, um neue Prozesse in Simulationen zu validieren und auf die Roboterzelle in der Fertigung zu übertragen. Dies bildet die Basis für einen durchgängigen Sim-to-Real-Ansatz (von Simulation zur Realität), der Entwicklungszeit und Kosten reduziert sowie Roll-outs beschleunigt.

Verfügbarkeit

Die Wandelbots NOVA Plattform ist ab sofort ganz einfach über den Azure Marketplace beziehbar.

Über Wandelbots

Wandelbots ist ein DeepTech-Unternehmen mit Sitz in Dresden und Chicago, das die industrielle Automatisierung, insbesondere in Logistik und Produktion, radikal neu denkt. Mit seinem disruptiven, softwarezentrierten Ansatz treibt Wandelbots die Transformation der Industrie voran. Dieser befähigt Unternehmen, industrielle Roboter in softwaredefinierte, kontinuierlich optimierende Systeme zu verwandeln: mit einer durchgängigen Plattform bestehend aus der NOVA Cloud, dem Betriebssystem NOVA OS und dem Developer Portal. Weitere Informationen finden Sie unter www.wandelbots.com oder folgen Sie uns auf LinkedIn.

Von starrer Automatisierung zu physischer KI: Die 4 Stufen der KI-gestützten Robotik, die Sie kennen sollten

Stephan Hotz — Mon, 11 Aug 2025 22:00:00 GMT

Ein pragmatischer Leitfaden für KI in der industriellen Automatisierung

Künstliche Intelligenz (KI) verändert die Robotik und industrielle Automatisierung und treibt die Branche von starren, regelbasierten Systemen hin zu flexibler, kontextbewusster Autonomie.

Da sich KI jedoch rasend schnell weiterentwickelt, kann man sich leicht in der Hype-Welle verlieren.

Dieses Positionspapier stellt ein pragmatisches 4-Stufen-Modell vor, das dabei hilft, den aktuellen Stand der KI in der Robotik zu bewerten. Jede Stufe wird aus zwei wichtigen Blickwinkeln betrachtet:

Roboterperspektive: Was Roboter auf dieser Ebene tatsächlich leisten können

Entwicklerperspektive: Wie Entwickler Roboter bauen und mit ihnen interagieren

Die überwiegende Mehrheit der heute eingesetzten Automatisierungssysteme arbeitet noch auf Stufe 0 oder Stufe 1.

Stufe 2, auf der KI die Entwicklung ergänzt, gewinnt zunehmend an Bedeutung. Die Stufen 3 und 4, die erlernte Verhaltensweisen und agentenbasierte Autonomie umfassen, beginnen sich zu etablieren, erfordern jedoch eine grundlegend neue Art von Plattform.

Wandelbots NOVA wurde als solche Plattform entwickelt. Das Wandelbots NOVA-Betriebssystem (OS) und die NOVA Cloud bieten die Infrastruktur, um die Entwicklung zu vereinheitlichen, eine groß angelegte Datenerfassung zu ermöglichen und moderne KI-Workflows auf realer Roboterhardware einzusetzen, wodurch die industrielle Realität von heute mit der intelligenten Automatisierung von morgen verbunden wird.

Die industrielle Automatisierung tritt in ihre KI-Ära ein

KI verändert die Landschaft der Robotik und industriellen Automatisierung grundlegend.

Die Geschwindigkeit, Flexibilität und Intelligenz, die KI-Systeme mit sich bringen, definieren neu, was Maschinen leisten können. Sie erschließen ein bisher unvorstellbares Maß an Produktivität, Anpassungsfähigkeit und Betriebsumfang. KI ist keine futuristische Vision mehr, sondern die treibende Kraft hinter den modernsten Fertigungs- und Robotersystemen von heute.

Doch mit den Chancen geht auch Komplexität einher.

Die rasante Entwicklung der KI hat eine unglaubliche Fülle an Tools, Modellen, Ansätzen und Richtungen hervorgebracht. Für Fachleute und Entscheidungsträger ist es wichtiger denn je, den aktuellen Stand der KI in der Robotik- und Automatisierungsbranche klar zu verstehen. Eine fundierte Perspektive hilft dabei, sich in dieser Landschaft zielgerichtet zu orientieren und Initiativen zu priorisieren, die einen echten Mehrwert bieten.

In diesem Umfeld voller Hype und hoher Erwartungen ist es unerlässlich, zwischen Schlagworten und echten technologischen Durchbrüchen zu unterscheiden. Dieser Artikel bietet einen strukturierten Rahmen, der Ihnen hilft zu beurteilen, wo KI in der Robotik konkrete Fortschritte macht, wo das größte Potenzial liegt und worauf Sie sich konzentrieren sollten, um praktische Auswirkungen zu erzielen.

Analyse des Status quo

Um sich im sich schnell entwickelnden Bereich der Robotik und KI zurechtzufinden, gliedert dieses Rahmenwerk die Entwicklung in Stufen, die sowohl die aktuellen Fähigkeiten als auch das zukünftige Potenzial verdeutlichen. Diese Stufen bieten Klarheit aus zwei Perspektiven: aus der Sicht der Roboterlösung, welche Aufgaben Roboter zuverlässig ausführen können, und aus der Sicht der Entwickler, wie Ingenieure und Programmierer mit Robotersystemen interagieren. Durch die Unterscheidung zwischen Reifegraden können Sie sowohl das Potenzial als auch die aktuellen Grenzen der KI in der Automatisierung besser einschätzen.

Level 0: Heuristik & Optimierer (keine KI)

Definition: Automatisierungsintelligenz auf Basis fest codierter Regeln, Parameteroptimierungen oder einfacher Regelkreise ohne Lernprozess.

Roboteransicht: Führt feste Aufgaben und Programme mit hoher Präzision aus, jedoch ohne Flexibilität. Typische Beispiele sind Schweiß-, Klebe- oder Palettierungsroutinen in streng kontrollierten Umgebungen.

Entwicklerperspektive: Programmiert den Roboter über proprietäre Sprachen oder Logikblöcke (z. B. RAPID, KRL, SPS). Alle Verhaltensweisen müssen explizit definiert und abgestimmt werden.

Beispiel: Ein KUKA-Roboter punktschweißt einen Fahrzeugrahmen auf einer festen Vorrichtung.

Wandelbots NOVA Kontext: NOVA ermöglicht moderne Programmieransätze auch für traditionelle regelbasierte Aufgaben, indem es herstellerspezifischen Code in Python abstrahiert und ein Zellenbetriebssystem für Bereitstellungs- und Komfortfunktionen bereitstellt. Der Intelligenzgrad bleibt unverändert, sofern keine höherwertigen Tools kombiniert werden. Die Zusammenführung aktueller Roboterzellen auf einer einheitlichen Plattform und in einer einzigen Sprache bei gleichzeitiger Öffnung proprietärer Steuerungssysteme für die Datenerfassung bildet einen entscheidenden Baustein für Physical AI.

Level 1: KI-gestützte Wahrnehmung (aufgabenspezifische, hochspezialisierte KI)

Definition: Aufgabenspezifische KI-Modelle, meist im Bereich der Bildverarbeitung, die es Robotern ermöglichen, Objekte oder Merkmale zu erkennen. Keine Schlussfolgerungen oder Lernprozesse über das anfängliche Training hinaus.

Roboterperspektive: Erlangt Wahrnehmungsfähigkeiten (z. B. Teile sehen, Fehler erkennen), um die Flexibilität in halbstrukturierten Umgebungen zu verbessern.

Entwicklerperspektive: Integriert vortrainierte Bildverarbeitungsmodelle oder -tools (z. B. Cognex, Zivid) in Roboter-Workflows für Pick-and-Place-, Inspektions- oder Schleifaufgaben.

Beispiel: Ein Yaskawa-Roboter scannt mit einer Kamera ein Werkstück, erstellt aus dem Scan eine 3D-Punktwolke und nutzt einen algorithmischen Pfadplaner, um einen Roboterpfad zu definieren und auszuführen.

Wandelbots NOVA Kontext: Bildverarbeitungsfunktionen sind und können in das Python-SDK von NOVA integriert werden, wo Objekterkennungsmodelle bestimmte Roboteraufgaben basierend auf Koordinaten oder fortschrittlichen Pfadplanern auslösen.

Level 2: KI-gestützte Programmierung (KI unterstützt den Entwickler)

Definition: KI unterstützt den Entwicklungsprozess durch Code-Vorschläge, Eingabeaufforderungen in natürlicher Sprache, Vibe-Coding oder adaptive Trajektoriengenerierung. Dies wird noch leistungsfähiger, wenn die Roboterkonfiguration mit Bildverarbeitungssystemen und Sensoren ausgestattet ist und die Programmierung weiter abstrahiert werden kann.

Roboterperspektive: Nach wie vor auf Programmierung angewiesen, jedoch mit größerer Flexibilität bei der Ausführung (z. B. Wegplanung, Interpolation).

Entwicklerperspektive: Verwendet Tools wie GitHub Copilot, LLMs oder benutzerdefinierte SDKs (z. B. NOVA Python SDK), um die Entwicklung durch Codegenerierung oder sogar einfach durch Vibe Engineering (Eingabeaufforderungen in natürlicher Sprache zur Generierung ausführbarer Fähigkeiten) zu beschleunigen.

Beispiel: Ein Entwickler optimiert eine Pick-and-Place-Anwendung mithilfe von KI-generiertem Python-Code in Microsoft Visual Studio Code (VS Code) mit Echtzeit-Simulation in NVIDIA Omniverse oder Rerun.

Wandelbots NOVA-Kontext: Entwickler verwenden NOVA Developer Tools, insbesondere die VS Code-Erweiterung, um KI-generierten Code in ihren Workflow zu integrieren. AI-Unterstützung im Stil von GitHub Copilot hilft beim Schreiben und Ändern von NOVA-Programmen und reduziert so die Einarbeitungszeit für Nicht-Experten. Da die Roboterprogrammierung in Wandelbots NOVA auf Python und dem praktischen SDK basiert, das als Standardpaket für Entwickler enthalten ist, ist sie bereit für die Verbindung mit modernsten AI-Modellen, die in Python entwickelt wurden.

Level 3.1: Lernfähige Bewegungsintelligenz (KI-gesteuerte Systeme, die sich schnell anpassen)

Definition: Roboter führen Trajektorien aus, die durch eine gelernte Richtlinie erzeugt werden, die mittels groß angelegter Vision-Language-Action (VLA)-Imitation oder Reinforcement Learning (RL) trainiert wurde. Diese Richtlinie beherrscht einfache Bewegungen in dynamischen Szenen und lässt sich auf verschiedene Teile und Posen übertragen.

Roboterperspektive: Führt komplexe Trajektorien aus, die aus unüberwachtem (oder schwach überwachtem) Training hervorgehen – oft zunächst in einer Simulation – anstatt manuell programmiert zu werden.

Entwicklerperspektive: Anstatt Bewegungscode zu schreiben, kuratieren Ingenieure Demonstrationen, Simulationsszenarien und Belohnungsanpassungen. Das Training läuft auf Simulatoren wie NVIDIA Omniverse/Isaac Sim. Die Strategie wird dann über eine Laufzeitumgebung wie Wandelbots NOVA bereitgestellt.

Beispiel: Ein Roboterarm, der als VLA-Modell auf Millionen von Vision-Sprache-Aktion-Paaren vortrainiert und dann in der Simulation leicht feinabgestimmt wurde, um eine flexible Dichtung aufzunehmen. Die endgültige Richtlinie kann mit minimalen Anpassungen auf die reale Zelle übertragen werden.

Wandelbots NOVA Kontext: Die Low-Level-Bewegungsabstraktion von NOVA und die Omniverse-Konnektivität ermöglichen es Entwicklern, VLA/RL-Richtlinien auf verschiedenen Hardwaretypen zu optimieren oder zu validieren, bevor sie in Produktion gehen. Darüber hinaus fungiert NOVA Cloud als Datensammler für alle Roboterzellen und Systeme, die unter NOVA OS laufen, und bildet somit das Datenrückgrat, das Reinforcement Learning in der gesamten Fertigung ermöglicht.

Level 3.2: Kontextbewusste agentenbasierte KI (gelernte Planungsintelligenz)

Definition: Systeme, die die Umgebung und Absichten verstehen, einen übergeordneten Befehl in eine Abfolge von Fähigkeiten zerlegen und diese Fähigkeiten autonom ausführen, wodurch sie vollständige Planungsintelligenz bieten.

Roboterperspektive: Ein einziger Sprachbefehl („Befestige diese Halterung“) löst die Wahrnehmung, die Zerlegung der Aufgabe und die dynamische Verkettung von Fähigkeiten aus, was für hochdynamische Produktionsumgebungen und Allzweck- oder humanoide Roboter unverzichtbar ist.

Entwicklerperspektive: Der Fokus verlagert sich auf die Integration einer modularen Bibliothek mit Aktions- und Wahrnehmungsfähigkeiten, die Systemintegration und die Bereitstellung multimodaler Daten (z. B. 2D/3D-Sicht, Sensordaten und technische Asset-Eingaben) sowie auf effektive Eingabeaufforderungen.

Beispiel: Ein humanoider Roboter interpretiert den Befehl „Befestige diese Halterung“ über seinen VLA-Planer und wählt dann verifizierte Fähigkeiten aus: Halterung erkennen → greifen → ausrichten → festschrauben.

Wandelbots NOVA Kontext: NOVA ist als Ausführungsebene in einem breiteren Agenten-Stack positioniert. Seine API ermöglicht die nahtlose Ausführung von Fähigkeiten innerhalb mehrstufiger Prozesse, die von einem Planungsmodell bereitgestellt werden, das in der Cloud oder in einer lokalen Infrastruktur ausgeführt wird.

Level 4: Superintelligente KI (die längerfristige Zukunft)

Definition: Theoretische KI übertrifft die menschliche Intelligenz in allen Dimensionen, einschließlich Kreativität, Strategie und körperlicher Koordination.

Robotik-Kontext: Eine unabhängige KI auf Managementebene, die Roboterflotten, Infrastruktur und sogar die Steuerung einer gesamten Fabrik verwaltet.

Beispiel: In Science-Fiction-Filmen wie „Her“, „HAL 9000“ oder „Ex Machina“ populär gemacht, aber heute noch keine Realität ... noch nicht.

Level 3 mit Wandelbots NOVA in die Praxis umsetzen

Overview

Um die Fähigkeiten von NOVA als robuste Datenerfassungs- und Ausführungsschicht für moderne Roboterlern-Workflows zu bewerten, wurde innerhalb von Omniverse Isaac Sim eine Closed-Loop-Konfiguration erstellt. In dieser Umgebung wurde die bekannte Push-T-Aufgabe mithilfe eines UR-Robotermodells aus dem NOVA-Asset-Paket nachgebildet.

Das Ziel: Den Roboter so zu steuern, dass er ein T-förmiges Objekt über einen Tisch in einen bestimmten Zielbereich schiebt. Mit Hilfe von NOVA Omniservice wurde die virtuelle Szene orchestriert, simulierte Kameras wurden angeschlossen und die API von NOVA wurde genutzt, um den Roboter zu steuern und propriozeptive Daten (Gelenkpositionen, Endeffektor-Pose) während der menschlichen Demonstration zu sammeln. Die Daten wurden über mehrere Dutzend Episoden hinweg gesammelt, wobei der Roboter über einfache Tastatureingaben gesteuert und die Echtzeitsimulation in Isaac Sim überwacht wurde. Anschließend wurde eine Diffusionsrichtlinie von Grund auf trainiert, die es dem Roboter ermöglichte, das Objekt allein auf der Grundlage von Kameraeingaben und den propriozeptiven Daten des Roboters erfolgreich an sein Ziel zu schieben.

Wichtige Erkenntnisse

NOVA war als „Bindeglied“ zwischen der Simulationsumgebung und der Robotersteuerung von unschätzbarem Wert. Seine Asset-Bibliothek beschleunigte die Zellkonfiguration, der Omniverse Connector übernahm die Randomisierung der Umgebung und die Datenerfassung, und NOVA OS übersetzte die Policy-Ausgaben in Roboterbewegungen. Es wurden die Datensätze und Trainingshilfsprogramme von LeRobot sowie die Tools für die Datenaggregation und das Modelltraining verwendet. Trotz der Benutzerfreundlichkeit des LeRobot-Frameworks und der ermutigenden Unterstützung durch die Community unterstrich die mangelnde Unterstützung für Industrieroboter die einzigartige Stärke von NOVA als Ausführungsgrundlage für reale Anwendungsfälle.

Auswirkungen

Die schnelle Synchronisierung von Kamera-Feeds, propriozeptiven Signalen und Sensordaten, wenn sich die GPUs, auf denen die Richtlinie gehostet wird, und die Controller auf unterschiedlichen Maschinen befinden, hat einen klaren Schwachpunkt aufgezeigt. Mit Blick auf die Zukunft werden optimierte Cloud-Pipelines für die automatisierte Datenerfassung, -vorverarbeitung und -überwachung unerlässlich sein, da multimodale Sensorik in der Fertigung immer mehr Verbreitung findet. Während NOVA die Einrichtung, das Laufzeitmanagement und die Robotersteuerung in der Simulationsumgebung vereinfacht, wird sich die zukünftige Arbeit auf die vollständige Automatisierung von Datenpipelines und die Bereitstellung schlüsselfertiger Inferenztools konzentrieren, die vortrainierte Modelle direkt mit Industrierobotern in Simulations- und Produktionsumgebungen verbinden. Dies ermöglicht eine detaillierte Überwachung der Leistung an einem Ort. Somit ist NOVA bereits heute gut positioniert, um Entwicklern dabei zu helfen, mit ihren Robotik- und Automatisierungsprojekten in Level 3 einzusteigen. Es ist auch einzigartig positioniert, um Entwicklern und Unternehmen dabei zu helfen, das allgemein anerkannte Problem des Datenmangels zu überwinden, das einer breiteren Anpassung physischer KI-Anwendungen in tatsächlichen Industrieumgebungen im Wege steht.

Fazit

Die produktivste Roboterautomatisierung in der Industrie arbeitet heute noch auf Stufe 0 und Stufe 1.

Diese Systeme sind ausgereift, zuverlässig und tief in die Fertigungsprozesse integriert, aber sie sind grundsätzlich durch starre Logik und hochspezialisierte KI eingeschränkt.

Derzeit gewinnt Level 2 zunehmend an Bedeutung, wo KI-gestützte Tools beginnen, die Entwicklung von Roboteranwendungen zu verbessern. Die Programmierung wird zugänglicher, die Arbeitsabläufe flexibler und die Integration mit KI-Tools immer häufiger. Um jedoch das Potenzial der nächsten Automatisierungsgeneration (Level 2 und Level 3) voll auszuschöpfen, ist eine neue Art von Plattform erforderlich.

Herkömmliche Roboter-Software-Stacks wurden nicht für die Unterstützung moderner KI-Workflows entwickelt. Um die heutigen Grenzen zu überwinden, sind folgende Voraussetzungen erforderlich:

Eine gemeinsame Abstraktionsschicht zur Vereinheitlichung der Programmierung über Roboterhersteller und Schnittstellen hinweg
Offene APIs und Datenzugriff zur Erfassung und Nutzung des gesamten Kontexts der Roboterausführung
Unterstützung für Feedback, Datenerfassung und Iterationsschleifen
Nahtlose Integration von Simulations-, Trainings- und Bereitstellungsumgebungen
Infrastruktur für die Bereitstellung und Ausführung von Fähigkeiten zur Laufzeit

Wandelbots NOVA wurde genau für diesen Wandel entwickelt. Es dient als Betriebssystem und Plattformschicht, die die KI-gestützte Entwicklung mit dem realen industriellen Einsatz verbindet. Durch die Möglichkeit der Python-basierten Programmierung, der strukturierten Datenerfassung und der Ausführung von Laufzeitrichtlinien über heterogene Roboter hinweg ebnet NOVA Entwicklern und Unternehmen den Weg, um schon heute intelligente Robotik zu entwickeln und einzusetzen.

Während sich die KI weiterentwickelt, bildet Wandelbots NOVA die Grundlage für den Übergang von der Automatisierung zur echten Autonomie.

GTC Paris und Vivatech 2025: Wandelbots, EY und EDAG zeigen gemeinsame Innovation für das Industrial Metaverse

Rene Schiller — Tue, 10 Jun 2025 22:15:00 GMT

Zukunftssicherer Ansatz für die Fertigung

Dresden, den 11.06.2025 – Das Zeitalter der KI hat nun auch Produktionsanlagen erreicht. Auf der NVIDIA GTC Paris, die im Rahmen der Vivatech 2025 stattfindet, zeigen Wandelbots, EY und die EDAG Group, wie die Zusammenarbeit von Ökosystemen eine echte industrielle Transformation vorantreibt. Die drei Partner kombinieren strategische Beratung, intelligente Technologien und kompetente Umsetzung und bilden so das Rundum-Paket vom Konzept bis zur Umsetzung für die Industrieautomatisierung. Das Herzstück ihrer Partnerschaft ist ein zukunftssicherer Ansatz für die Fertigung durch künstliche Intelligenz – auf Basis eines Software-first Ansatzes, digitalen Zwillingen und dem Industrial Metaverse.

Am Wandelbots-Stand wird ein realer Anwendungsfall von Schaeffler präsentiert, der starre Industrieautomatisierung in ein intelligentes, sich selbstoptimierendes System verwandelt: Ein Prozess, der aufgrund der weichen Materialdynamik bislang als nicht automatisierbarer galt, läuft heute dank der herstellerunabhängigen Echtzeit-Ausführung von NOVA autonom – zuerst virtuell, dann physisch. Mit Wandelbots NOVA OS, digitalen Zwillingen und KI-gestützter Roboter-Ausführung beweist die Demo, dass softwaredefinierte Fertigung nicht länger eine Vision ist. Sie liefert bereits messbare Ergebnisse in der Praxis. NOVA nutzt dabei NVIDIA Isaac Sim, eine Referenzanwendung für Robotersimulationen, die auf NVIDIA Omniverse aufbaut.

Die Allianz ermöglicht es damit Unternehmen, softwaredefinierte Automatisierung so wie bei Schaeffler zu etablieren. „Mit Wandelbots vereinen wir Robotik und Software zu einer intelligenten Einheit und ermöglichen so eine neue Ära der industriellen Automatisierung“, erklärt Christian Piechnick, CEO und Mitgründer von Wandelbots.

EY – Transformation Realized

EY bringt seine bewährte Methodik und sein tiefes Branchenwissen in die Partnerschaft ein. Durch den Ansatz „Transformation Realized“ erhalten Unternehmen eine optimierte Roadmap, um die richtigen Technologien schnell zu implementieren und Innovationen zu skalieren. Dabei bleiben die Menschen im Mittelpunkt.

In Zusammenarbeit mit Wandelbots und der EDAG Group entsteht so eine skalierbare Automatisierungsplattform, die sich vom Proof-of-Concept bis zur vollständigen Implementierung entwickelt. „Auf der GTC beweisen wir, dass Transformation kein Modewort ist“, sagt Adrian Reisch, Partner bei EY. „Sie ist real, messbar und beginnt mit Vertrauen und Zusammenarbeit.“

Branchenübergreifende Zusammenarbeit

Die Zusammenarbeit von Wandelbots, EY und der EDAG Group zeigt, dass die Zukunft in der richtigen Kombination von Technologien, technischem Know-how und kompetenter Ausführung liegt. Kunden profitieren dabei von einer kürzeren Wertschöpfungszeit, strategischer Transparenz und hoher operativer Qualität – bei gleichzeitiger Gewährleistung von Compliance, Skalierbarkeit und Nachhaltigkeit.

„Durch unsere Partnerschaft mit EY und Wandelbots können wir industrielle Innovationen vom Konzept bis zur Umsetzung liefern – schnell, pragmatisch und skalierbar“, so Dirk Keller, Mitglied der Geschäftsleitung der EDAG Production Solutions GmbH & Co KG.

„Ein Reiseführer zum Metaverse“ mit Insider-Tipps

Ein weiteres Highlight ist der „Reiseführer zum Metaverse“. Er zeigt, wie Unternehmen ihren Weg mit klar definierten Zielen, den richtigen Technologien, kritischen Prozessen und den besten Mitarbeitenden gehen können – geführt von einer bewährten Roadmap und unterstützt von echten Ergebnissen.

QZitate:

Adrian Reisch, Partner at EY

„Auf der GTC Europe beweisen wir, dass Transformation kein bloßes Schlagwort ist – sie ist real, messbar und beginnt mit Vertrauen und Zusammenarbeit.“

– Adrian Reisch, Partner bei EY

Christian Piechnick, Co-Founder und CEO von Wandelbots

„Mit Wandelbots vereinen wir Robotik und Software zu einer intelligenten Ebene – und ermöglichen so eine neue Ära der industriellen Automatisierung.“

– Christian Piechnick, CEO von Wandelbots

Dirk Keller, Member of the Board of Management bei der EDAG Production Solutions GmbH & Co KG

„Unsere Partnerschaft mit EY und Wandelbots erlaubt es uns, industrielle Innovation vom Konzept bis zur Umsetzung zu realisieren – schnell, pragmatisch und skalierbar.“

– Dirk Keller, Vorstandsmitglied der EDAG Production Solutions GmbH & Co KG

Weitere Informationen zu NVIDIA Isaac Sim finden Sie auf dem NVIDIA Blog.

NVIDIA GTC Europe: Wandelbots und Schaeffler verbinden virtuelle und physische Automatisierung mit NVIDIA Omniverse

Marwin Kunz — Tue, 10 Jun 2025 22:15:00 GMT

Ein neues Modell auf Basis der Softwareplattform von Wandelbots verändert, wie Industrieunternehmen intelligente Automatisierung entwickeln, prüfen und einsetzen

Dresden, den 11.06.2025 – Wandelbots, der Pionier für softwaredefinierte Industrieautomation, hat auf der NVIDIA GTC Europe in Paris das nächste Kapitel seiner Zusammenarbeit mit Schaeffler und NVIDIA angekündigt. Hier zeigen die Partner, wie eine einheitliche Softwareplattform nahtlos Simulation und Shopfloor-Einsatz verbindet und so die Fertigung in einen skalierbaren, digitalisierten Prozess verwandelt.

Das Herzstück dieser Zusammenarbeit bildet das Betriebssystem NOVA von Wandelbots, das nun in NVIDIA Omniverse integriert ist. Damit lässt sich das Verhalten von Robotern virtuell simulieren, validieren und optimieren – und ohne Qualitätsverlust auf reale Roboter übertragen. So wird die Robotersteuerung für den gesamten Lebenszyklus der Automatisierung von der virtuellen Planung bis zum Betrieb in der Serienproduktion bereitgestellt.

Praktischer Einsatz bei Schaeffler

Ein Anwendungsbeispiel bei Schaeffler ist live auf der NVIDIA GTC Europe zu erleben. Es zeigt die Technologien beider Partner im Einsatz mit dem Ziel, sie in die Serienproduktion zu überführen. Ein Prozess, der aufgrund der weichen Materialdynamik bislang als nicht automatisierbarer galt, läuft heute dank der herstellerunabhängigen Echtzeit-Ausführung von NOVA autonom – zuerst virtuell, dann physisch.

„So sieht die Zukunft der Automatisierung aus“, sagt Christian Piechnick, Mitgründer und CEO von Wandelbots. „Sie ist programmierbar, skalierbar und intelligent – und sie beginnt mit der Simulation. Wir sind stolz darauf, gemeinsam mit Schaeffler und NVIDIA den nächsten Industriestandard zu definieren.“

Christian Piechnick, Co-Founder und CEO von Wandelbots

Die Highlights:

Digital Twin First Engineering:
- Die Ingenieure von Schaeffler simulieren Roboter-Workflows in NVIDIA Omniverse und verwenden Wandelbots NOVA für die Echtzeitsteuerung und die Optimierung der Zykluszeit
- Die physische Ausführung dieser Workflows erfolgt ohne Neuprogrammierung, wodurch die Diskrepanz zwischen Simulation und Realität überwunden wird

Wirtschaftliche Auswirkungen
- Schnellere Bereitstellung von Roboter-Workflows
- Reduzierte Entwicklungskosten und Integrationszeit
- Verbesserte First-Time-Right-Raten und reduzierte Trial-and-Error-Zyklen

Strategische Relevanz
- Die Lösung bildet die Basis für ein einmal programmiertes und überall einsetzbares Automatisierungsmodell in sämtlichen Werken von Schaeffler
- Entspricht dem NVIDIA Mega Omniverse Blueprint und den Microsoft Azure Industrial Cloud-Strategien

„Das ist mehr als ein Technologie-Showcase, es ist ein Erfolgsmodell für die Digitale Fabrik“, sagt Katharina Jessa, Chief Revenue Officer bei Wandelbots. „Gemeinsam mit Schaeffler und NVIDIA beweisen wir, dass eine echte industrielle Transformation möglich ist – schneller, intelligenter und mit messbarem Geschäftswert.“

Katharina Jessa, Chief Revenue Officer bei Wandelbots

Weitere Informationen zur Partnerschaft zwischen Wandelbots und NVIDIA finden Sie auf dem NVIDIA Blog.

Game On: Unsere Partnerschaft mit realvirtual.io bringt Robotersimulation auf das nächste Level

Marwin Kunz — Mon, 03 Feb 2025 23:15:00 GMT

Unsere Mission bei Wandelbots ist es, Grenzen zu verschieben, Innovationen voranzutreiben und Robotik zugänglicher zu machen als je zuvor. Deshalb freuen wir uns riesig, unsere strategische Partnerschaft mit realvirtual.io bekannt zu geben! Das Unternehmen erweckt Systeme und Maschinen mit digitalen Zwillingen für Vertrieb, Simulation und virtuelle Inbetriebnahme mit Echtzeit-3D-HMI zum Leben. Gemeinsam setzen wir einen neuen Standard dafür, wie Menschen in dynamischen Umgebungen mit industriellen sechs-achs Robotern interagieren.

Mit der auf Unity basierenden Robotersimulation von realvirtual.io und der Integration von Wandelbots bieten wir Planern eine weitere Möglichkeit, Wandelbots NOVA für ihre virtuelle Inbetriebnahme zu nutzen.

Warum diese Partnerschaft wichtig ist

"Wir betreten eine neue Ära der Robotik", sagt Thomas Strigl (LinkedIn), Gründer von realvirtual.io. "Diese Zusammenarbeit geht über die Verbindung von Technologien hinaus – sie setzt Potenziale frei. NOVA und realvirtual.io bedeuten schnellere Implementierung, mehr Flexibilität und größere Möglichkeiten für Unternehmen."

Marwin Kunz (LinkedIn), Strategic Alliances Manager bei Wandelbots, fügt hinzu: "Unser gemeinsames Ziel ist einfach: die Barrieren zwischen Mensch und Maschine abbauen. Diese Partnerschaft erweitert die Möglichkeiten in der Automatisierung enorm."

realvirtual.io und seine Integration mit Wandelbots NOVA

realvirtual.io ist ein Unity-Plug-in, das die Robotersimulation und Automatisierung für Ingenieure revolutioniert. Mit Funktionen wie Signalverarbeitung, Roboter-Schnittstellen, Kinematik und 3D-HMI-Entwicklung ermöglicht realvirtual.io die einfache Erstellung virtueller Prototypen und Simulationen. Flexibilität, Erschwinglichkeit und der Einsatz von Gaming-Technologie stehen dabei im Mittelpunkt, um eine benutzerfreundliche Plattform zu schaffen.

Die Integration von Wandelbots NOVA in realvirtual.io ist ein Meilenstein für beide Unternehmen – und unsere Nutzer. NOVAs intuitive Roboterprogrammierung verbindet sich nahtlos mit den Simulationstools von realvirtual.io und bietet Ingenieuren ein einzigartiges Erlebnis:

Virtuelle Inbetriebnahme optimieren: Automatisierungsprozesse können nun vor der Implementierung getestet, validiert und optimiert werden.
3D-Visualisierung verbessern: Roboterprogrammierung wird in ein interaktives, immersives 3D-Erlebnis verwandelt.
Roboter-agnostische Programmierung ermöglichen: Jede integrierte Roboter-Marke kann mit einer universellen Schnittstelle programmiert werden – weniger Komplexität, mehr Effizienz.

Zusammen bieten Wandelbots NOVA und realvirtual.io einen ganzheitlichen, flexiblen und nutzerzentrierten Ansatz für Automatisierung und definieren neu, wie Ingenieure und Hersteller Innovationen vorantreiben.

Was bedeutet das für die Robotik

Diese Zusammenarbeit kombiniert die leistungsstarke Digital-Twin-Simulation, 3D- und Planungs-Frameworks von realvirtual.io mit Wandelbots NOVA. Ingenieure und Bediener können Roboter in Echtzeit anlernen, Bewegungssteuerungen konfigurieren und komplexe Aufgaben simulieren – alles innerhalb einer intuitiven Unity basierten Robotersimulations-Umgebung.

Hier sind einige Highlights dieser Integration:

Signalverarbeitung: Ein- und Ausgangssignale in Echtzeit verwalten.
Präzises Anlernen: Mit Unity ganz einfach exakte Roboterziele definieren.
3D-HMI: Anpassbare, visuell ansprechende Interfaces für bessere Robotersteuerung und -überwachung erstellen.
One Code: Roboterprogramme nahtlos zwischen virtueller und realer Welt hin- und herwechseln.
Jedes Gerät: Erstelle native Anwendungen ohne Laufzeitgebührenbeschränkungen, die auf jedem Gerät laufen (Windows, Linux, WebGL, iOS, Android, VR- und AR-Geräte)
Spaß beim Arbeiten: Inspiriert von Gaming-Technologien, setzt realvirtual.io auf eine intuitive und unterhaltsame Nutzererfahrung. Mit Unity als Basis sind sogar VR- und AR-Erlebnisse garantiert.

Die Integration: Wie realvirtual.io die Wandelbots NOVA APIs genutzt hat

Die Integration von Wandelbots NOVA in realvirtual.io wurde durch die leistungsstarken, gut dokumentierten APIs von NOVA möglich gemacht. Besonders beeindruckend: realvirtual.io hat die Integration eigenständig umgesetzt, was die Benutzerfreundlichkeit und Effizienz der NOVA-APIs unterstreicht. Laut Thomas Strigl war die Anbindung einfacher und schneller als erwartet: "Innerhalb weniger Stunden lief die erste Verbindung und der Roboter bewegte sich bereits."

Mit NOVAs APIs konnte realvirtual.io Positionen synchronisieren, Signale verwalten und eine intuitive Schnittstelle schaffen, die virtuelle Simulation mit realer Robotik verbindet. Strigl hebt das moderne Design der NOVA REST-APIs hervor, das den Integrationsprozess auch ohne große Unterstützung unkompliziert machte. Dadurch konnte realvirtual.io seine Unity-basierte Plattform erweitern und eine voll funktionsfähige 3D-HMI-Umgebung erstellen – ein Beweis für die Leistungsfähigkeit und Flexibilität von NOVA in der Praxis.

Mehr über realvirtual.io

realvirtual.io ist ein Softwarepaket, das in die Unity-Simulationsumgebung integriert werden kann. Es bietet eine umfassende Toolbox für die Automatisierung und ermöglicht nahtlose Workflows durch die Integration mit anderen Industrietools. In der aktuellen Version enthält realvirtual.io eine direkte Anbindung an Wandelbots NOVA.

Das bedeutet: Wer mit Unity für Robotersimulation arbeitet und realvirtual.io als Toolbox nutzt, kann seinen Roboter direkt in Unity einrichten und mit NOVA verbinden. Dieser optimierte Prozess schließt die Lücke zwischen Simulation und realer Implementierung und macht die Automatisierung effizienter und intuitiver.

Was kommt als Nächstes?

Interesse, es selbst auszuprobieren? Schau dir die Angebote von realvirtual.io an! Die NOVA-Integration ist im realvirtual.io Professional-Bundle verfügbar. Detaillierte Dokumentationen findest du hier. Teste Wandelbots NOVA und fordere eine Demo an!

Bist du bereit deine eigene Integration mit Wandelbots NOVA zu bauen?

Die Integration zwischen Wandelbots NOVA und realvirtual.io zeigt, wie leistungsstark und zugänglich die NOVA-APIs sind. Wenn du Ingenieur, Entwickler oder Automatisierungspionier bist, bieten dir die NOVA-APIs die Flexibilität, um eigene innovative Robotik-Lösungen zu erstellen. Werde Teil des wachsenden NOVA-Ökosystems und gestalte die Zukunft der Automatisierung mit uns!

Robotik zum Leben erwecken: Wie Wandelbots NVIDIA Isaac Sim nutzt, um Simulation und Realität zu verbinden

Marwin Kunz — Wed, 30 Oct 2024 23:15:00 GMT

Bei Wandelbots setzen wir uns dafür ein, die Interaktion von Unternehmen mit Robotern neu zu gestalten und Programmierung für alle intuitiver und zugänglicher zu machen. Mit unserer innovativen Softwareplattform und der Nutzung von NVIDIA-Technologien schaffen wir eine nahtlose Verbindung zwischen virtuellen Simulationen und realer Robotik. Durch den Einsatz von NVIDIA Isaac Sim ermöglichen wir Unternehmen, das volle Potenzial der Robotik zu nutzen und einen präzisen, effizienten Übergang von der Simulation zur physischen Ausführung zu gewährleisten.

Revolution der Robotik: Wie Wandelbots virtuelle Programmierung mit NVIDIA Omniverse zum Leben erweckt

Unsere Vision ist es, Robotik zu demokratisieren und die Roboterprogrammierung für alle zu vereinfachen – egal ob Entwickler oder Fabrikplaner. Ein entscheidender Baustein hierfür ist NVIDIA Isaac Sim, eine Plattform für die Roboterentwicklung und eine Referenzanwendung, die auf NVIDIA Omniverse und OpenUSD basiert. Sie ermöglicht die Gestaltung und das Testen von Robotern in physikalisch präzisen Simulationen. Mit Isaac Sim können wir komplexe Roboteraufgaben mit außergewöhnlicher Genauigkeit simulieren und sicherstellen, dass das Virtuelle reibungslos in die Realität überführt werden kann.

In Kombination mit der Wandelbots-Plattform können Nutzer Robotikprogramme erstellen, testen und verfeinern, was Zeit und Ressourcen spart, die andernfalls für manuelle Anpassungen aufgewendet würden. Besonders für Branchen wie die Fertigung, in denen Präzision und Effizienz entscheidend sind, ist dies ein bedeutender Fortschritt.

Die Lücke zwischen Simulation und Realität schließen

Ein zentraler Vorteil ist die Fähigkeit, Roboterprogramme direkt auf physische Roboter zu übertragen. Traditionell erfordert dieser Prozess umfangreiche Nachprogrammierungen und Anpassungen, besonders bei verschiedenen Robotermodellen und Herstellern. Mit Wandelbots können Nutzer Roboterprogramme nahtlos übertragen, wodurch die Roboter in der physischen Welt genauso funktionieren wie in der Simulation. Dies minimiert kostspielige Fehler und reduziert Ausfallzeiten.

Unsere Robotik-Software ermöglicht es den Nutzern, Isaac Sim direkt zu verbinden und virtuelle Roboter zu steuern. Funktionen wie „Ghost Objects“ erleichtern den Programmierprozess zusätzlich. Fabrikplaner ohne Programmiererfahrung können diese virtuellen Objekte visuell in der Simulation platzieren und die Informationen sofort in ein Roboterprogramm übertragen.

Praxisnahe Ergebnisse

Unsere Integration von NVIDIA-Technologien hat sich bereits in verschiedenen Sektoren bewährt. In der Fertigung können Unternehmen Arbeitsabläufe mit Isaac Sim sicher simulieren, Aufgaben optimieren und diese Simulationen auf physische Roboter übertragen. Dies verkürzt die Zeit für die Inbetriebnahme drastisch und steigert die betriebliche Effizienz.

Kleine und mittelständische Unternehmen (KMU) profitieren besonders von diesem Ansatz. Die Möglichkeit, Produktionsprozesse durch Roboter-Simulationen zu optimieren, führt zu höherer Konsistenz.

Ein Blick in die Zukunft

Bei Wandelbots konzentrieren wir uns nicht nur auf das Hier und Jetzt – wir bauen die Zukunft der Robotik. Die Lücke zwischen virtueller und physischer Roboterprogrammierung zu schließen, ist entscheidend für die kontinuierliche Weiterentwicklung der Industrie. Während wir voranschreiten, bleibt unser Ziel, Robotik so intuitiv und zugänglich wie möglich zu gestalten und so den Weg für eine breitere Akzeptanz und Innovation in den verschiedensten Branchen zu ebnen. Wandelbots setzt den neuen Maßstab für die Zukunft der Robotik.

Meldet euch jetzt noch für den 4. November zu unserem offiziellen Produktlaunch an!

Solltet ihr nicht an unserem Launch-Event teilnehmen können, besucht uns auf der SPS in Nürnberg vom 12.-14. November!

Maschinelles Lernen in der Robotik – ein wichtiger Schritt in die Zukunft

Wandelbots — Wed, 21 Aug 2024 22:15:00 GMT

Maschinelles Lernen (ML) hat fast genauso schnell an Bedeutung in der Robotikindustrie gewonnen wie Künstliche Intelligenz (KI). Aber was bedeutet maschinelles Lernen genau, und wie können wir es nutzen, um das Beste aus unseren Industrierobotern herauszuholen?

Dieser Artikel beleuchtet das maschinelle Lernen, seine Unterschiede zur KI und sowie die Möglichkeiten es in seine Robotersysteme zu integrieren.

Was ist Maschinelles Lernen?

Machine Learning wird oft missverstanden, da es mit KI verwechselt wird. Das ist verständlich, da es sich um einen Teilbereich der KI handelt, der es Systemen ermöglicht, aus ihrer Umgebung zu lernen und sich auf Basis von Erfahrungen zu verbessern, ohne dass sie manuell programmiert werden müssen.

Es gibt drei Arten von Machine Learning: supervised (überwacht) und unsupervised (unüberwachtes) Learning und Reinforcement Learning. Beim überwachten Lernen werden Modelle auf gekennzeichneten Datensätzen trainiert, wobei der Algorithmus lernt, Eingaben den richtigen Ausgaben zuzuordnen, basierend auf den bereitgestellten Beispielen. Unüberwachtes Lernen hingegen arbeitet mit unmarkierten Daten und identifiziert Muster oder Gruppierungen innerhalb der Daten ohne vorgegebene Labels. Es wird oft für Clusterbildung oder Assoziationsaufgaben verwendet. Reinforcement Learning ist ein dynamischer Prozess, bei dem ein Agent lernt, Entscheidungen zu treffen, indem er Rückmeldungen auf seine Aktionen aus seiner Umgebung erhält und dementsprechend seine Strategie optimiert, um kumulative Belohnungen zu maximieren. Jede dieser Methoden ist entscheidend für verschiedene Anwendungen, von prädiktiven Modellen bis hin zu komplexen Entscheidungssystemen. Übersicht der Arten des maschinellen Lernens; Quelle: MathWorks, https://de.mathworks.com/discovery/reinforcement-learning.html

Reinforcement Learning

In der Robotik befähigt Reinforcement Learning ein System dazu, komplexe Aufgaben autonom auszuführen, schnell zu lernen und sich anzupassen sowie die Gesamtleistung im Laufe der Zeit zu verbessern. Es ist der treibende Faktor, der es Robotern ermöglicht, Verhaltensweisen durch Interaktion mit ihrer Umgebung zu erlernen. Reinforcement Learning umfasst die Programmierung von Robotern mit Aufgabenanforderungen und die Verwendung von Belohnungen, um ihr anpassungsfähiges Verhalten zu steuern. Stell dir einen Industrieroboter vor; durch Machine Learning kann er minimale Daten aus seiner Umgebung nutzen, um seine Handlungen basierend auf Informationen aus früheren Erfahrungen anzupassen, was zu einer verbesserten Effizienz und einer Verringerung von Fehlern führt.

Reinforcement Learning hat das Potenzial, Robotern zu ermöglichen, komplexe Aufgaben auszuführen und in dynamischen Umgebungen zu operieren, wodurch der Bedarf an umfangreicher Programmierung reduziert und die Produktivität gesteigert wird. Obwohl es noch nicht kommerziell nutzbar ist, könnte es in naher Zukunft die industrielle Robotik revolutionieren.

Deep Learning in der Robotik

Deep Learning ist eine Kategorie des maschinellen Lernens. Deep Learning in der Robotik nutzt geschichtete Algorithmen, bekannt als künstliche neuronale Netze, die die Art und Weise nachahmen, wie das menschliche Gehirn Daten verarbeitet. Diese neuronalen Netze führen zu besseren Entscheidungen, indem sie Roboter in die Lage versetzen, komplexe Daten zu verarbeiten, wesentliche Merkmale zu extrahieren und die Genauigkeit ihrer Vorhersagen zu bewerten.

Die Algorithmen des Deep Learning zielen darauf ab, die Effizienz zu steigern, ohne dass menschliche Überwachung erforderlich ist. Dies macht Deep Learning-Algorithmen zur treibenden Kraft hinter der Fähigkeit von Robotern, Objekte zu identifizieren, Sprache zu erkennen und natürliche Sprache zu verstehen.

Anwendungen des Maschinellen Lernens in der Robotik

Da wir nun ein besseres Verständnis für maschinelles Lernen haben, lass uns dessen Anwendungen in der Robotik erkunden. Beachte, dass einige dieser Konzepte noch erforscht werden und weitere Tests erforderlich sind, bevor wir deren volles Potenzial verstehen.

Robot Vision Systems: Auch bekannt als maschinelles Sehen, integrieren Robot Vision Systems Sensoren und Kameras, die physische Daten erfassen, und Machine Learning-Algorithmen, die diese Daten dann verarbeiten.
Imitation Learning: Imitation Learning zielt darauf ab, eine Robotersteuerungs-Richtlinie zu etablieren, die die Zustände eines Roboters mit Aktionen verknüpft. Demonstrationen werden als Zustands-Aktions-Trajektorien dargestellt und dienen als Eingabe für das Lernsystem. Man könnte einem Roboter zum Beispiel eine bestimmte Aktion vorführen, die dann immer wieder einschließlich Anpassungen an die aktuelle Umgebung ausgeführt wird.
Robot Foundation Models: Ähnlich wie bei Large-Language-Models (LLMs) sind Robot Foundation Models tiefe neuronale Netze, die auf großen und vielfältigen Datensätzen trainiert werden und das Potenzial bieten, Zero-Shot-Lösungen zu finden, also Aufgaben zu lösen, die nicht in den Daten vertreten sind. Durch die Kombination von Wahrnehmung, Entscheidungsfindung und Steuerung innerhalb eines Modells bieten Foundation Models eine vielversprechende Möglichkeit, komplexe Aufgaben zu lösen.
Multi-Agent Reinforcement Learning (MARL): Die wesentlichen Komponenten von MARL in Robotern sind Koordination und Verhandlung. Diese Anwendung von maschinellem Learnen ermöglicht es Robotern, die Datenkataloge ihrer Umgebung zu erstellen und dann andere robotische Datenprotokolle zu kreuzreferenzieren, um eine umfassende Wissensbasis über ihre Umgebung und Handlungen zu erstellen. Diese Anwendung ist vor allem für mobile Robotik relevant.

Herausforderungen im Maschinellen Lernen

Wie jede Technologie hat auch das maschinelle Lernen Vor- und Nachteile. Maschinelles Lernen erfordert eine erhebliche Anfangsinvestition, was die Implementierung der Technologie derzeit noch hauptsächlich auf größere Unternehmen mit den notwendigen finanziellen Mitteln beschränkt. Die Bereitstellung von maschinellen Lernalgorithmen fügt auch eine bedeutende Komplexitätsebene hinzu und erfordert laufende Wartung und Updates. Obwohl es Nachteile gibt, überwiegen die Vorteile bei weitem, was es zu einer hervorragenden Investition für Vordenker und Innovatoren in der Fertigung macht.

Fazit

Maschinelles Lernen ist eine von vielen Technologien, die Branchen transformieren und die digitale Fertigung mit verbesserter Robotik voranbringt. Die Einführung dieser Technologie verschafft Herstellern einen Vorsprung in Effizienz, Präzision und Anpassungsfähigkeit. Während sich die Fertigung weiterentwickelt, wird die Dynamik zwischen maschinellem Lernen und Robotik ein wesentlicher Treiber für Innovation sein, der die Industrie in eine stärker automatisierte und intelligente Zukunft führt.

Beginne deine Automatisierungsreise noch heute und entdecke, wie mächtig maschinelles Lernen in der Robotik sein kann.