Humanoide Roboter können inzwischen beeindruckend rennen und springen. Doch im Arbeitsalltag müssen sie ganz andere Aufgaben zuverlässig meistern: Gegenstände greifen, sortieren oder mit wechselnden Situationen umgehen. Das chinesische Startup DexForce setzt dafür besonders stark auf virtuelle Trainingswelten.
🔎 Was ist passiert?
DexForce aus Shenzhen trainiert Roboter mit synthetischen Daten aus Computersimulationen. Ein virtueller Roboter übt dabei beispielsweise, Gegenstände auf einem Tisch zu platzieren. Die Entwickler verändern die Umgebung, die Positionen der Objekte und die Bewegungsabläufe immer wieder, ohne für jeden Versuch eine reale Trainingsszene aufbauen zu müssen.
Das soll einen Engpass der Robotik verringern: Reale Trainingsdaten sind teuer, denn Menschen müssen Aufgaben oft Tausende Male vormachen oder begleiten. In virtuellen Umgebungen lassen sich viele Varianten schneller erzeugen und systematisch durchspielen.
Nach Reuters-Angaben hat DexForce zuletzt rund eine Milliarde Yuan, umgerechnet etwa 147 Millionen US-Dollar, in einer Finanzierungsrunde eingesammelt. Das Unternehmen entwickelt humanoide Roboter und verkauft auch Systeme für andere Robotikentwickler.
⚖️ Der Realitätscheck
Was in einer Simulation funktioniert, muss in der echten Welt noch lange nicht zuverlässig klappen. Reibung, Beleuchtung, Materialunterschiede, unvorhergesehene Hindernisse und fehlerhafte Sensoren lassen sich nur begrenzt perfekt nachbilden. Diese Lücke zwischen virtueller und realer Umgebung gehört zu den großen Problemen des sogenannten Sim-to-Real-Transfers.
Die höhere Trainingsgeschwindigkeit und mögliche Kostenvorteile beruhen bislang vor allem auf dem Ansatz und den Angaben des Unternehmens; es fehlt ein allgemein gültiger unabhängiger Vergleich, der zeigt, wie stark alle praktischen Aufgaben dadurch tatsächlich günstiger oder zuverlässiger werden.
Auch ein erfolgreicher Vorführversuch mit Sortieraufgaben beweist noch keine universell einsetzbare Roboterintelligenz.
💡 Warum ist das interessant?
KI-Modelle lassen sich mit gewaltigen Mengen digitaler Texte und Bilder trainieren. Roboter brauchen dagegen Erfahrungen über die physische Welt – und diese Daten sind besonders aufwendig zu gewinnen. Simulationen könnten helfen, den Unterschied zu verkleinern.
Damit ergänzt die Geschichte unsere jüngste Meldung zu Hesais 3D-Datensystem: Während dort reale Umgebungen als Trainingsdaten erfasst werden sollen, erzeugt DexForce große Teile der Übungswelt künstlich. Beide Wege könnten für alltagstauglichere Roboter wichtig werden.