UC Berkeley und NVIDIA schlagen agentische Robotik vor, um Datenskalierungsgrenzen zu umgehen

UC Berkeley und NVIDIA haben gemeinsam einen neuen Ansatz namens agentische Robotik angekündigt, der KI-Coding-Agenten nutzt, um Industrieroboter durch Simulation und Code-Generierung zu programmieren, anstatt auf massive Datensätze menschlicher Demonstration angewiesen zu sein. Dieser Paradigmenwechsel zielt darauf ab, das Datenskalierungsproblem zu lösen, das derzeit den Einsatz von Allzweckrobotern in industriellen Umgebungen behindert.

Was passiert ist

Laut IEEE Spectrum wurde die Ankündigung auf der Konferenz über roboterbasiertes Lernen (Conference on Robot Learning) 2026 gemacht. Die Technik nutzt große Sprachmodelle (LLMs), um komplexe Aufgaben wie das Einpacken von Lebensmitteln in Teilaufgaben zu zerlegen, die spezialisierten Coding-Agenten zugewiesen werden. Diese Agenten übernehmen die Wahrnehmung, Manipulation und den Transport, indem sie menschenlesbaren Code schreiben, der bestehende Robotik-Tools wie Posenschätzung und Trajektoriengenerierung nutzt.

Ken Goldberg, Professor für Robotik an der UC Berkeley und Mitbegründer von Ambi Robotics, erklärte, dass das Paradigmenwechsel des Imitationslernens „ein Plateau erreicht hat“. Er wies darauf hin, dass datengestützte Ansätze zwar für Heimroboter funktionieren, aber Schwierigkeiten haben, die Zuverlässigkeitsanforderungen industrieller Anwendungen zu erfüllen. Goldberg, der mit Unternehmen wie Siemens und Bosch zusammengearbeitet hat, stellte fest, dass das Hinzufügen weiterer Daten oft zu neuen Fehlern führt, ohne die Konvergenz zu garantieren.

Spencer Huang, Director of Product für Robotik bei NVIDIA, erklärte, dass sich die Qualität des agentischen Programmierens im vergangenen Jahr ausreichend verbessert hat, um dies praktikabel zu machen. Die Agenten iterieren, indem sie Code in Simulationen ausführen, Parameter anpassen und sogar Simulationsumgebungen an reale Videos anpassen. Torsten Kroeger, Chief Science Officer bei Alphabets Intrinsic, warnte jedoch, dass kein aktueller Physik-Engine physischen Kontakt genau modellieren kann, was bedeutet, dass die Lücke zwischen Simulation und Realität (Sim-to-Real Gap) eine ungelöste Herausforderung bleibt. Um Fehler im KI-generierten Code zu minimieren, verwendet das Team adversarial strukturierte Agenten, bei denen ein Agent Code entwirft und ein anderer versucht, Fehler zu finden.

Warum das für kleine Fertigungs- und Logistik-Teams wichtig ist

Für kleine Unternehmen im Bereich Fertigung oder Logistik ist der aktuelle Standard für den Einsatz flexibler Automatisierung oft unbezahlbar oder technisch nicht zugänglich. Das vorherrschende Modell erfordert entweder die Einstellung spezialisierter Robotik-Experten zum Schreiben von Low-Level-Code oder den Kauf teurer Datensätze – beides skaliert nicht für ein Fünf-Personen-Team. Die agentische Robotik verändert die Kostenstruktur, indem sie die Roboterprogrammierung in ein Software-Engineering-Problem verwandelt, das von Allzweck-KI-Tools bewältigt werden kann.

Dies ist von Bedeutung, da es die Eintrittsbarriere von der „Datenerfassung“ zur „Simulationskonfiguration“ verschiebt. Wenn ein kleines Team natürliche Sprache verwenden kann, um eine Aufgabe zu definieren, und KI-Agenten die Code-Generierung und Simulationsabstimmung übernehmen lässt, könnte die Bereitstellungszeit für eine neue SKU oder Prozessänderung von Wochen auf Tage sinken. Dennoch ist Skepsis angebracht. Die Abhängigkeit von der Simulation bedeutet, dass der Roboter in der realen Welt versagt, wenn die Physik-Engine den Kontakt nicht genau modellieren kann. Für ein kleines Unternehmen ist ein Robotersystem, das in der Simulation funktioniert, aber in der Fabrikhalle klemmt, eine Belastung und kein Gewinn. Die Erwähnung adversarialer Agenten ist ein gutes Zeichen für die Sicherheit, aber solange die Konformität mit ISO 10218 oder ISO/TS 15066 für diese KI-generierten Verhaltensweisen nicht ausdrücklich berücksichtigt wird, bleibt dies ein Forschungspilot und kein schlüsselfertiges Produkt. Achten Sie darauf, ob dieser Ansatz den Bedarf an menschlicher Überwachung in sicherheitskritischen Schleifen verringert.

Was Sie diese Woche tun sollten

1. Überprüfen Sie Ihre aktuellen manuellen Aufgaben, um einen repetitiven, unkritischen Prozess zu identifizieren, der sich als Kandidat für simulationsbasiertes Testen eignet, wie etwa eine bestimmte Verpackungssequenz oder Qualitätsprüfung.
2. Überprüfen Sie die Simulationsfunktionen Ihres aktuellen oder potenziellen Roboteranbieters, um festzustellen, ob dieser APIs anbietet, die eine externe Code-Injektion oder Parameteranpassung ermöglichen – eine Voraussetzung für agentische Arbeitsabläufe.
3. Dokumentieren Sie die spezifischen Fehlerursachen Ihrer aktuellen Automatisierung oder Ihres manuellen Prozesses und erstellen Sie eine Baseline-Liste von Randfällen, die jede von KI-Agenten generierte Lösung bewältigen muss, um für Ihre Werkshalle als praktikabel zu gelten.

Quellen

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics