Roboter können neue Tricks lernen, aber sie für den Arbeitseinsatz vorzubereiten, ist nach wie vor eine zutiefst menschliche Aufgabe. General Robotics will das mit GRID ändern.
Das von Nvidia unterstützte Startup aus Redmond, das von ehemaligen Microsoft-Robotikforschern gegründet wurde, hat GRID um ein Auto-Engineering-System erweitert, das den Entwicklungs- und Bereitstellungslebenszyklus von Robotern abdecken soll – von der Einbindung von Hardware und dem Import von KI-Modellen bis hin zu Simulation, Skill-Erstellung, Tests und der Evaluierung unter realen Bedingungen.
Das Ziel ist, Arbeiten, die Tage oder Wochen dauern können, auf Stunden zu verkürzen und zugleich das, was GRID aus jedem Deployment lernt, wiederzuverwenden, um den nächsten Roboter oder die nächste Aufgabe schneller umzusetzen.
Wie GRID die Roboterentwicklung in eine geschlossene Schleife verwandelt
General Robotics nennt seinen Ansatz „Auto Engineering“.
Wenn GRID eine Aufgabe erhält, ermittelt die Plattform nach Angaben des Unternehmens, welche Skills dafür benötigt werden, wählt eine Kombination aus KI-Modellen und Robotikverfahren aus und erstellt die Simulationsumgebung, die zum Trainieren und Bewerten dieser Skills verwendet wird. Laut Business Wireüberwacht GRID, sobald der Skill auf echter Hardware eingesetzt wird, Fehler und Leistung und nutzt diese Ergebnisse, um zu entscheiden, was als Nächstes geändert werden muss.
GRID nutzt außerdem Wissensgraphen, um Informationen aus früheren Deployments zu speichern. Roboterkonfigurationen, abgeschlossene Aufgaben, importierte Modelle, Kalibrierungen und Fehler werden zu wiederverwendbarem Wissen, statt bei jedem Projekt erneut Entwicklungsarbeit zu verursachen.
Forbes beschrieb innerhalb von GRID vier Robotik-„Harnesses“, die Roboterkonfiguration und -kalibrierung, Simulation, Skill-Erstellung sowie Deployment und Evaluierung unter realen Bedingungen abdecken. In einem Unternehmensbeispiel sah GRID ein kurzes Video, rekonstruierte die Bewegung in einer Simulation, erzeugte eigene Trainingsdaten, trainierte den Skill und spielte ihn auf einen Roboter aus.
Warum das Deployment von Robotern nach wie vor so viel Arbeit verursacht
Ein Großteil dieser Arbeit erforderte traditionell spezialisierte Robotikingenieure und maßgeschneiderte Integrationen. General Robotics zufolge ist der Entwicklungs-Stack nach wie vor fragmentiert: Für jeden Roboter und jedes Deployment werden häufig andere Softwaretools, Kommunikationsprotokolle und Programmieransätze benötigt.
CEO Ashish Kapoor erklärte gegenüber GeekWire, dass Roboterhersteller zwar leistungsfähige Hardware produzieren können, ihnen aber möglicherweise das Know-how fehlt, um sie an eine bestimmte Umgebung oder Aufgabe anzupassen. „Diese letzte Ebene fehlt“, sagte er.
Kapoor entwickelte zuvor Microsofts AirSim-Simulator, während die Mitgründer Sai Vemprala und Shuhang Chen ebenfalls aus Microsofts Robotikteam stammen. Nvidia ist Investor bei General Robotics, und die Simulationssoftware Isaac Sim ist in GRID integriert.
GeekWire berichtete, dass General Robotics rund ein Dutzend Kunden aus den Bereichen Fertigung, Logistik, Energie und Verteidigung hat. Die Plattform unterstützt Industrieroboterarme, humanoide Roboter, Vierbeiner, Roboter mit Rädern und Drohnen. Damit kann das Unternehmen umfassend testen, ob dasselbe Entwicklungssystem mit unterschiedlichen Hardwaretypen funktioniert.
Die Erkenntnisse von eWeek
Laut Robotics 24/7 zufolge kann General Robotics die Aufnahme eines Roboters in GRID von etwa einem Monat auf nur zwei Stunden verkürzen. Der Import eines neuen KI-Modells kann sich von drei Tagen auf nur 20 Minuten verkürzen, während die Übertragung eines Skills zwischen unterschiedlichen Roboterbauformen von drei Tagen auf nur 90 Minuten sinken kann.
Entwicklungsaufgabe | Vor GRID | Mit GRID |
| Aufnahme des Roboters | Etwa 1 Monat | Nur 2 Stunden |
| Modellimport | 3 Tage | Nur 20 Minuten |
| Skill-Übertragung zwischen Bauformen | 3 Tage | Nur 1,5 Stunden |
| Erstellung und Deployment eines neuen Skills | Keine Angabe | Nur 2 Tage |
Für Unternehmen, die Robotikprojekte in die Produktion überführen wollen, könnten diese Zeiteinsparungen die Wartezeit zwischen der Auswahl eines Roboters und seinem tatsächlichen Einsatztest verkürzen. Ein schnellerer Modellimport könnte Teams außerdem ermöglichen, mit neuen KI-Funktionen zu experimentieren, ohne für jede Integration mehrere Tage aufwenden zu müssen.
Die Skill-Übertragung könnte noch weitreichendere Auswirkungen haben, wenn Unternehmen verschiedene Robotertypen einsetzen.
Wenn sich für eine Bauform entwickelte Arbeit in 90 Minuten statt drei Tagen an eine andere anpassen lässt, könnten Teams mehr von dem wiederverwenden, was sie bereits entwickelt haben, anstatt den gleichen Entwicklungsprozess für jede Maschine zu wiederholen.
Die Zahlen rücken auch die Behauptung von General Robotics zum „gesamten Lebenszyklus“ in die richtige Perspektive. GRID kann zwar Arbeit in vielen Entwicklungsphasen automatisieren, aber nicht jede Phase wird nahezu augenblicklich erledigt. Die Erstellung und das Deployment eines neuen Skills können nur zwei Tage dauern; für diese Aufgabe nannte General Robotics jedoch keinen früheren Vergleichswert.
Die Ergebnisse stammen außerdem aus Unternehmensangaben und wurden nicht unabhängig benchmarkgetestet. Sollten sie sich jedoch bei mehr Robotern, Kunden und Arbeitsumgebungen bestätigen, könnte GRID dazu beitragen, ein anhaltendes Problem der Robotik zu lösen: leistungsfähige Maschinen aus Pilotprojekten in einen wiederholbaren Produktionseinsatz zu überführen.
Ein weiteres Beispiel dafür, wie Robotik in Anwendungen der realen Welt Einzug hält, ist wie Philips 33,7 Millionen US-Dollar Fördermittel für die Entwicklung autonomer Roboter zur Schlaganfallbehandlung einsetzt.