← Wissen & Einblicke

Physical AI verstehen

Wie Transportroboter in virtuellen Hallen lernen

Eine Studie zeigt, was Training im digitalen Hallenmodell verbessert und warum die entscheidende Prüfung auf dem echten Roboter erfolgt.

Nivama Robotics5 Min. Lesezeit

Ein Transportroboter soll durch eine Halle fahren und sein Ziel erreichen, ohne an Hindernissen hängen zu bleiben. Dafür lässt sich eine Fahrstrategie zunächst in einer virtuellen Umgebung trainieren. Ob sie anschließend auf dem echten Boden funktioniert, ist eine eigene Frage. Genau diesen Übergang untersuchten Forschende von Idealworks und NVIDIA in einer im Oktober 2026 veröffentlichten Studie.

Das Team verwendete einen digitalen Nachbau des Idealworks-Entwicklungszentrums und testete die gelernte Navigation auf einem realen iw.hub. Durch die Anpassung an diese Umgebung einschließlich zusätzlicher, mit NVIDIA Cosmos erzeugter Bildvarianten stieg die Erfolgsquote über vier Szenarien von 65,3 auf 91,7 Prozent. Die bestehende Produktionsnavigation erreichte 100 Prozent. Die Studie vom 24. Oktober 2026 ist ein Preprint; die Zahlen gelten für diesen Versuchsaufbau.

Das Ergebnis macht zwei Dinge sichtbar: Virtuelles Training kann eine reale Aufgabe vorbereiten. Zugleich muss die Übertragung auf die tatsächliche Umgebung gemessen werden. Ein gutes Ergebnis im Simulator allein sagt noch nicht, wie zuverlässig ein Fahrzeug in einer Halle ankommt.

Eine Übungsumgebung mit veränderbaren Bedingungen

Zum Verständnis betrachten wir ein eigenes, vereinfachtes Beispiel. Ein mobiler Roboter soll einen Behälter von einer Bereitstellfläche zu einer Maschine bringen. Dazwischen liegen ein gerader Gang, eine Kurve und ein abgestellter Wagen. In einem virtuellen Modell können diese Elemente angeordnet werden, ohne für jeden Versuch die reale Halle umzubauen. Auch die Abmessungen des Roboters müssen berücksichtigt werden: Ein freier Weg für einen kleinen Wagen kann für einen breiteren Roboter zu eng sein.

Die Simulation berechnet, wie sich die modellierten Objekte verhalten, und erzeugt Beobachtungen für das trainierte System. Ein virtuelles Kamerabild kann beispielsweise den Gang aus Sicht des Fahrzeugs zeigen. Eine Aktion verändert dessen Position, woraufhin sich auch die nächste Beobachtung verändert. So entsteht eine Folge von Situationen, Entscheidungen und Ergebnissen.

In einem Lernverfahren lässt sich festlegen, welches Verhalten erwünscht ist. Für unser Beispiel wären das etwa das Erreichen des Ziels und das Vermeiden von Zusammenstößen. Eine reine Belohnung für schnelles Fahren wäre unzureichend, wenn der Roboter dafür Hindernisse streifen dürfte. Die Lernaufgabe muss also ausdrücken, was ein brauchbarer Ablauf bedeutet. Dieser Zusammenhang gehört zu den Grundlagen des Lernens durch Versuch und Rückmeldung, das auch NVIDIA in seiner Robotikforschung beschreibt.

Eine einzelne, unveränderte virtuelle Halle wäre allerdings eine sehr schmale Übungswelt. Die Beleuchtung bleibt dann immer gleich, der Wagen steht stets an derselben Stelle und Oberflächen sehen identisch aus. Ein Modell könnte unter diesen Bedingungen sehr erfolgreich sein, ohne auf die Veränderungen vorbereitet zu sein, die später im Betrieb auftreten.

Deshalb werden beim Training häufig Eigenschaften der Umgebung variiert. Der Fachbegriff dafür lautet Domain Randomization. In seiner praktischen Dokumentation beschreibt NVIDIA das Prinzip: Statt eine einzige perfekte Übereinstimmung mit der Realität anzustreben, werden Parameter innerhalb eines Bereichs verändert. Das Modell soll dadurch mit unterschiedlichen Bedingungen zurechtkommen.

Für die beispielhafte Fahrt zur Maschine könnte der Wagen einmal links und einmal rechts im Gang stehen. Das Licht könnte heller oder dunkler sein. Solche Variationen müssen zum untersuchten Problem passen. Tausend Bilder mit anderen Wandfarben helfen nur begrenzt, wenn die eigentliche Schwierigkeit eine zu enge Kurve ist. Die Zahl der simulierten Versuche ersetzt deshalb nicht die sorgfältige Auswahl der Situationen.

Der entscheidende Vergleich findet in der Halle statt

Eine virtuelle Kamera und eine echte Kamera liefern nicht automatisch dieselben Bilder. Auch Bewegung, Verzögerungen und Kontakt mit dem Boden können vom Modell abweichen. Diese Differenz zwischen Simulation und Wirklichkeit wird als Sim-to-Real-Lücke bezeichnet. Ein digitaler Nachbau ist daher eine Arbeitsgrundlage mit Annahmen, deren Genauigkeit für die jeweilige Aufgabe ausreichen muss.

Ein sinnvoller Vergleich für unser Beispiel würde dieselbe Route zunächst virtuell und danach real prüfen. Start und Ziel, Hindernisse und Erfolgskriterium wären festgelegt. Sobald eine Version nur im Simulator funktioniert, könnte untersucht werden, an welcher Stelle sie im echten Versuch abweicht. Das ist aussagekräftiger, als zwei völlig unterschiedliche Strecken unter derselben Überschrift miteinander zu vergleichen.

Zur Auswertung gehören mehrere Beobachtungen. Das Ziel zu erreichen ist die erste. Daneben stehen Fahrzeit, Stillstände und notwendige menschliche Hilfe. Ein Roboter, der nach einem Eingriff ankommt, sollte in der Statistik erkennbar bleiben. Auch ein Fahrzeug, das regelmäßig vor einer engen Stelle wartet, kann eine hohe Abschlussquote haben und trotzdem den Materialfluss verzögern.

Eine fiktive Versuchsreihe illustriert die Bezugsgröße: Bei 40 festgelegten Fahrten entsprechen 36 erfolgreiche Ankünfte einer Quote von 90 Prozent. Das beschreibt diese 40 Fahrten. Es beweist weder, dass jede andere Strecke ebenso gut funktioniert, noch dass die gleiche Quote über eine ganze Schicht bestehen bleibt. Für diese Aussagen wären zusätzliche, passend angelegte Versuche erforderlich.

In der Studie traten bei den lernenden Varianten in schwierigeren Szenarien auch Kollisionen und Schutzstopps auf. Die Produktionsnavigation blieb kollisionsfrei. Der Vergleich verwendet zudem unterschiedliche Voraussetzungen: Die gelernte Navigation verarbeitet Kamerabilder, das Produktionssystem nutzt eine vorhandene Karte und Lasersensoren. Die höhere Erfolgsquote allein belegt deshalb weder eine gleichwertige Sicherheit noch die Ablösung des bestehenden Systems.

Für Unternehmen liegt der Nutzen einer Simulation deshalb in gezielten Vorversuchen. Engstellen, Szenarien und Trainingsvarianten lassen sich vorbereiten, bevor reale Tests ausgeweitet werden. Die Entscheidung über einen Einsatz braucht anschließend Ergebnisse aus der vorgesehenen Umgebung. Das virtuelle Training ist dann wertvoll, wenn sich sein Beitrag an einer konkreten, wiederholbaren Fahrt auf dem echten System nachweisen lässt.

Quellenstand: 12. November 2026. Die Forschungswerte beziehen sich auf den verlinkten Preprint; Strecke, Prüfplan und Rechnung mit 40 Fahrten sind eigene Erklärbeispiele.