KinetIQ Ascend Analyse: 99,9 % bei menschlicher Geschwindigkeit

Ein Roboter, der Stahl-Lagerringe aus einem Behälter greift, ist nicht glamourös. Es ist das Lagerhallen-Äquivalent dazu, für immer eine Gabel abzuwaschen – nur dass die Gabel rutschig, spiegelnd und finanziell wichtig ist. Laut RockingRobots testete Humanoid KinetIQ Ascend bei einer Maschinenbeschickungsaufgabe, bei der ein Roboter Stahl-Lagerringe aus einem Behälter nahm und auf ein Förderband legte. Das ist genau die Art langweilige Aufgabe, die Robotik-KI überstehen muss, bevor irgendjemand sie ohne Aufsicht in die Nähe des Wortes Autonomie lassen sollte. Humanoids neue Behauptung ist größer als ein einzelner Behälter voller Metall-Donuts. Das Unternehmen sagt, KinetIQ Ascend sei ein Reinforcement-Learning-Ansatz, der robotische Manipulation in Richtung 99,9 % Zuverlässigkeit bei menschlicher Geschwindigkeit und darüber hinaus bringen soll, so The Robot Report. Übersetzung: Der Roboter soll nicht einfach nur einen Menschen kopieren, sondern üben, scheitern, sich anpassen und irgendwann aufhören, jede ungünstige Objektlage wie einen philosophischen Notfall zu behandeln.

Die Behauptung laut The Robot Report

The Robot Report berichtet, dass das in London ansässige Unternehmen Humanoid KinetIQ Ascend als RL-Ansatz vorgestellt hat, der darauf ausgelegt ist, 99,9 % Zuverlässigkeit bei Manipulationsaufgaben mit menschlicher Geschwindigkeit und darüber hinaus zu erreichen. Diese Zahl ist wichtig, weil industrielle Manipulation gnadenlos unforgiving ist: 98 % können in einer Demo niedlich aussehen und sich dann, tausendfach wiederholt, in eine Konfettikanone aus Stillstandszeiten verwandeln. Das Unternehmen stellt dies auch nicht als Spielzeugtrick aus dem Labor dar; The Robot Report merkt an, dass Humanoid humanoide Roboter für den allgemeinen industriellen Einsatz baut und 2024 von Artem Sokolov gegründet wurde. Jarad Cannon, Chief Technology Officer von Humanoid, formulierte das Angebot in The Robot Report direkt: „Das Rennen um humanoide Roboter wird zu einer Frage der Skalierung, und RL in der realen Welt kann ein zentraler Teil der Antwort sein“, und: „Roboter, die früher monatelange manuelle Abstimmung erforderten, übertreffen heute menschliche Demonstrationen innerhalb von Tagen.“ Das ist ein würziger Satz – und außerdem genau das richtige Schlachtfeld. Manuelle Abstimmung ist der Ort, an dem Roboterprojekte zu handwerklich eingelegten Software-Gurken werden.

Die Trainingsschleife laut RockingRobots

RockingRobots berichtet, dass KinetIQ Ascend Humanoids KinetIQ-Plattform erweitert, indem es Robotern ermöglicht, bereits gelernte Verhaltensweisen durch Trial-and-Error-Training an spezifischen Aufgaben zu verfeinern. Das ist der zentrale technische Schritt: mit etwas beginnen, das der Roboter bereits versuchen kann, und dann echtes Aufgaben-Feedback nutzen, um besseres Verhalten zu formen. Es ist Reinforcement Learning an dem unordentlicheren Ort, an dem Reibung, Beleuchtung, Toleranzen und seltsame Objekteigenschaften sich verschwören wie eine gewerkschaftlich organisierte Chaosabteilung.

Die Aufgabenliste ist nützlich, weil sie die übliche Falle von Robotik-Demos vermeidet, bei der ein Roboter einmal eine saubere Bewegung ausführt und das Internet den Sieg erklärt, bevor der Greifer abgekühlt ist. RockingRobots sagt, Humanoid habe das System beim Greifen von Komponenten aus Behältern, beim Übergeben von Objekten an Menschen und beim Bewegen von Behältern mit zwei Armen getestet. Das sind keine exotischen Zaubertricks, aber genau die Art wiederholbarer Manipulationsarbeiten, die entscheiden, ob ein Roboter sich Platz auf dem Hallenboden verdient oder zu einem sehr teuren Hutständer wird.

Warum RL in der realen Welt

der interessante Teil ist, laut The Robot Report

Die Berichterstattung von The Robot Report macht deutlich, dass Humanoid RL in der realen Welt als Skalierungsantwort auf den Engpass der manuellen Abstimmung positioniert. In der Robotik ist dieser Engpass nicht nur nervig, sondern strukturell. Jede neue Vorrichtung, jeder Behälter, jede Teileform, jede Beleuchtungssituation oder jede Übergabe an einen Menschen kann sorgfältige Anpassung verlangen – und plötzlich braucht dein Allzweckroboter die emotionale Unterstützungs-Tabelle eines maßgeschneiderten Automatisierungsprojekts. Der KI-Punkt dabei ist: Imitation allein setzt dir eine Obergrenze. Das System lernt, Verhalten zu reproduzieren, aber nicht unbedingt, unter echten Konsequenzen schnellere oder zuverlässigere Strategien zu entdecken. Humanoids Argument, wie es von The Robot Report und RockingRobots zusammengefasst wird, ist, dass Trial and Error bei produktionsnahen Aufgaben die letzte Zuverlässigkeitslücke schließen kann. Das heißt nicht, dass man einen Humanoiden in eine Fabrik wirft und ihn lernen lässt wie ein koffeinüberladenes Kleinkind. Es heißt, dass das Lernsystem begrenzt, messbar und langweilig sicher sein muss – und genau dort steckt die eigentliche Ingenieursarbeit.

Worauf man als Nächstes achten sollte, laut RockingRobots und The Robot Report

RockingRobots beschreibt KinetIQ Ascend als dafür gedacht, manuelle Abstimmung und Datenerfassung bei der Entwicklung neuer robotischer Fähigkeiten zu reduzieren. The Robot Report ergänzt die große Ambition: 99,9 % Zuverlässigkeit bei Manipulationsaufgaben mit menschlicher Geschwindigkeit und darüber hinaus. Die nützliche Frage ist jetzt nicht, ob die Demo beeindruckend aussieht, sondern ob die Zuverlässigkeit auch über längere Läufe, unordentlichere Teileverteilungen und Aufgabenänderungen hinweg hält, die nicht liebevoll für den Kameratag vorbereitet wurden. Für Entwicklerinnen und Entwickler ist die Erkenntnis praktisch: RL in der realen Welt wird zu einem ernstzunehmenden Regler im Trainings-Stack für Roboter, nicht nur zu einem Paper-Benchmark mit Schutzbrille. Wenn Humanoid wiederholbare Ergebnisse über ausgewählte Aufgaben hinaus zeigen kann, wird KinetIQ Ascend zu einem Signal dafür, dass industrielle Humanoide vielleicht weniger wie handcodierte Automaten trainiert werden und mehr wie Systeme, die sich durch strukturiertes Üben verbessern. Bis dahin: Bewahrt euch den Optimismus, fragt nach den Fehlerkurven und denkt daran, dass 99,9 % sich jede einzelne Neun verdienen müssen.