Physical AI in der Praxis: Die Wandelbots Live-Demo auf der Hannover Messe 2026
- Naveed Bhuiyan
- 27. Mai
- 4 Min. Lesezeit
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