General Robotics: Auto-Engineering verkürzt Roboter-Produktionsstart auf zwei Stunden

Auto-Engineering verkürzt Roboter-Produktionsstart von Monat auf zwei Stunden

General Robotics hat seine GRID-Plattform um eine Auto-Engineering-Funktion erweitert, die die Zeit, einen neuen Roboter in Produktion zu bringen, von etwa einem Monat auf nur zwei Stunden verkürzt. Der entscheidende Mechanismus: GRID zerlegt eine gestellte Aufgabe automatisch in benötigte Skills, wählt aus einer gemeinsamen Bibliothek passende KI-Modelle und Steuerungstechniken aus und erstellt selbstständig die erforderlichen Simulationsumgebungen für Training und Evaluierung. Anschließend übernimmt das System die Bereitstellung auf dem Roboter und überwacht kontinuierlich Leistung und Fehler im Feld. Dieser geschlossene Regelkreis – Aufgabe analysieren, Komponenten kombinieren, simulieren, deployen, Feedback auswerten – läuft ohne manuelle Eingriffe über alle angebundenen Roboter hinweg. Die Zeitersparnis entsteht, weil klassische manuelle Schritte wie Hardware-Konfiguration, Modellintegration, Simulationsaufbau und Testdurchführung entfallen. Grundlage dafür sind Wissensgraphen, die jeden onboardeten Roboter, jede ausgeführte Aufgabe, jedes importierte Modell und jeden protokollierten Fehler speichern. Dadurch kann GRID bei neuen Aufgaben auf bereits gesammelte Informationen zurückgreifen, anstatt bei null zu beginnen.

KI-Modell-Import, Skill-Transfer und Wissensgraphen als Beschleuniger

Die konkreten Zeitersparnisse beruhen auf der Wiederverwendung gespeicherten Wissens: Das Einspielen eines neuen KI-Modells dauert jetzt 20 Minuten statt drei Tage, weil GRID das Modell in die gemeinsame Bibliothek aufnimmt und für alle kompatiblen Roboter verfügbar macht – ohne manuelle Anpassung an unterschiedliche Systeme. Der Transfer eines Skills von einem Roboter-Formfaktor auf einen anderen benötigt höchstens 1,5 Stunden statt drei Tage, da GRID auf die in den Wissensgraphen hinterlegten Roboterkonfigurationen und Aufgabenbeschreibungen zurückgreift, um den Skill an den Zielroboter anzupassen. Ein völlig neuer Skill ist in zwei Tagen erstellbar, weil GRID vorhandene Skill-Bausteine und Modelle kombiniert, in der Simulation Trainingsdaten generiert und eine Policy trainiert – ohne menschliche Programmierung. Die Wissensgraphen speichern nicht nur Fakten, sondern auch Beziehungen zwischen Robotern, Aufgaben, Modellen, Kalibrierungen und Fehlern. Dadurch kann das System bei neuen Aufgaben auf bewährte Lösungen zurückgreifen und vermeidet wiederholte Arbeit. Vier Robotik-Harnesses setzen dies um: Sie geben Agenten Werkzeuge und Feedback, um den Roboter zu verstehen, seine Welt und Erfahrung aufzubauen, Skills zu erstellen und zu deployen und zu evaluieren. Jedes Harness greift auf die angesammelte Intelligenz von GRID zu und speist Gelerntes zurück.

Praxisbeispiel und schneller Plattformzugang per CLI

Ein Laborbeispiel verdeutlicht die Funktionsweise: Für die Aufgabe, ein Reagenzglas aufzunehmen, zwischen zwei Flexiv-Armen zu übergeben und in ein Becherglas zu gießen, identifizierte Auto-Engineering vorhandene GRID-Skills (Greifen, Übergeben, Gießen) und kombinierte sie zu einer Sequenz – ohne aufgabenspezifisches Training. Der Transfer auf einen UR5e gelang ebenfalls. Der erste funktionierende Skill dauerte auf einem frischen Flexiv-Setup etwa vier Stunden, da zunächst Umgebung und Roboter kalibriert und die Skill-Kette validiert werden mussten. Spätere Skills auf demselben Setup profitierten von den gespeicherten Kalibrierungen und Konfigurationen und ließen sich in 10–15 Minuten bereitstellen. Der Plattformzugang ist ebenfalls automatisiert: Die GRID-CLI führt von null zu einer laufenden Session in zehn Minuten, indem sie Installation, Login und Session-Start in einem einzigen Befehl bündelt. GRID läuft auf Apple Silicon macOS und Linux (Windows über WSL).