Sim-to-Real: So trainiert DexForce Roboter in 8 Stunden

Sim-to-Real ist eine Trainingsmethode für humanoide Roboter, die teure Realdaten durch Simulation ersetzt. Das Embodied-AI-Unicorn DexForce aus Shenzhen treibt diesen Ansatz industriell voran. Ein Kunde schickt nur eine CAD-Datei. Sechs bis acht Stunden später greift der echte Roboter das Bauteil am Fließband.

Wir haben die Fabrik in Shenzhen aus der Nähe gesehen. Die W1-Pro-Humanoiden laufen bereits bei BYD und in der Chemieindustrie. Für Unternehmen stellt sich damit eine neue Frage. Wann übernimmt ein trainierter Roboter den ersten Handgriff am Band?

Sim-to-Real: Vom CAD-Modell zum trainierten Roboter

Der Prozess beginnt nicht am Roboter, sondern am Rechner. Kunden liefern die 3D-Konstruktionsdaten ihrer Bauteile. DexForce lädt diese CAD-Datei in die eigene Engine. Aus einem einzigen Modell entstehen so rund 10.000 Trainingsdaten. Die Simulation variiert dabei jedes Detail. Licht, Position, Farbe und Blickwinkel ändern sich tausendfach.

So lernt das Modell die Aufgabe robust. Nach sechs bis acht Stunden steht ein spezifisches Robotermodell bereit. Echte Sensordaten braucht dieser Weg zunächst nicht. Der Roboter übt die Aufgabe komplett digital. Erst danach greift er das reale Bauteil in der Fabrik. Genau diese Abkürzung macht Sim-to-Real für die Massenproduktion attraktiv.

DexNet-Engine und eine eigene Physics-Engine

Den Kern bildet die hauseigene DexNet-Engine. Sie erzeugt Umgebung, Bauteile und Kameradaten rein digital. Für die Industrie bleibt die Szene bewusst schlank. Simuliert werden nur Roboter, Sensor und das relevante Werkstück. Bemerkenswert ist die Physik dahinter. Viele Firmen nutzen Isaac von Nvidia oder MuJoCo.

DexForce hat stattdessen eine eigene Physics-Engine entwickelt. Das gibt dem Team volle Kontrolle über die Datenqualität.