- Amazon bringt Open-Source-Plattform heraus, um Robotikentwicklung und Ausführung physischer Aufgaben zu unterstützen.
- Die Toolchain integriert verschiedene AWS- und NVIDIA-Dienste und vereinfacht den Entwicklungsprozess.
- Physical AI ermöglicht es Robotern, sich an veränderliche Umgebungen anzupassen und aus Erfahrung zu lernen.
- Der Erfolg der Plattform hängt von einem effektiven Übergang von der Simulation zum realen Betrieb ab.
Amazon Web Services (AWS) hat eine Open-Source-Entwicklungsplattform vorgestellt, um Unternehmen beim Aufbau und der Bereitstellung von Robotern zu helfen, die ihre Umgebung wahrnehmen, Entscheidungen treffen und physische Aufgaben ausführen können. Die als Physical AI Toolchain on AWS bezeichnete Plattform kombiniert die AWS-Infrastruktur mit dem Physical-AI-Software-Ökosystem von NVIDIA und zielt darauf ab, die Entwicklung von Industrierobotern, autonomen mobilen Maschinen und humanoiden Systemen zu unterstützen. Laut Amazon dient die Toolchain dazu, den Aufwand zu verringern, der erforderlich ist, um KI-Modelle von der Entwicklung auf reale Maschinen zu übertragen.
Der Wandel in der KI-Entwicklung
Diese Einführung spiegelt einen breiteren Wandel in der KI-Entwicklung wider: weg von Systemen, die Texte und Bilder erzeugen, hin zu Maschinen, die mit der physischen Umwelt interagieren müssen, wobei Fehler bei diesen Interaktionen Geräte beschädigen, die Produktion stören oder Sicherheitsrisiken schaffen können.
Herkömmliche Industrieroboter führen in der Regel vorgegebene Aktionen in kontrollierten Umgebungen aus. Physical AI zielt darauf ab, Maschinen anpassungsfähiger zu machen, sodass sie Sensordaten interpretieren, auf veränderte Bedingungen reagieren und aus Erfahrung lernen können. Ein Roboter an einem Montageband muss beispielsweise Bauteile handhaben, die in unterschiedlichen Orientierungen präsentiert werden, während autonome Lagerroboter in sich verändernden Layouts navigieren und Hindernissen ausweichen müssen. Humanoide Roboter stehen vor noch umfassenderen Herausforderungen: Sie müssen in für Menschen gestalteten Umgebungen unbekannte Objekte manipulieren und Aufgaben ausführen. Das Training dieser Systeme erfordert mehr als nur ein leistungsstarkes KI-Modell; Entwickler benötigen große Mengen an Trainingsdaten, realistische Simulationen, Rechenressourcen und Methoden, um trainierte Modelle auf physische Hardware zu übertragen.
AWS zufolge integriert diese neue Toolchain diese Elemente in einen gemeinsamen Entwicklungsworkflow, sodass Unternehmen entweder die Komplettlösung oder einzelne Komponenten für bestehende Projekte auswählen können.
Struktur der Toolchain
Die Toolchain ist in fünf Bereiche des Physical-AI-Entwicklungsprozesses gegliedert. Synthetische Datengenerierung: KI-generierte Umgebungen schaffen zusätzliche Trainingsszenarien, ohne dass jede Situation in der realen Welt aufgezeichnet werden muss. Modelltraining: Das System lernt aus menschlichen Demonstrationen und Simulationsübungen. Simulation und Validierung: Entwickler testen das Verhalten des Roboters in virtuellen Umgebungen, bevor sie es auf physischen Maschinen ausführen. Edge-Bereitstellung: Optimierte KI-Modelle laufen auf der bereitgestellten Hardware, sodass sie Echtzeitentscheidungen treffen können, ohne eine permanente Cloud-Verbindung zu benötigen. Kontinuierliche Verbesserung: Während des Betriebs gesammelte Daten können in das Training zurückfließen und Entwicklern helfen, Modelle für zukünftige Bereitstellungen zu verbessern.
Die Plattform kombiniert AWS-Dienste wie Amazon SageMaker für das Modelltraining, Amazon-EC2-GPU-Instanzen für die Simulation, AWS IoT Greengrass für die Edge-Bereitstellung sowie Amazon Bedrock AgentCore für die Orchestrierung. Zudem integriert sie NVIDIA-Tools, darunter Isaac Sim für die Robotersimulation, Isaac Lab für bestärkendes Lernen, Isaac GR00T für humanoide Roboter und Cosmos für die Generierung synthetischer Umgebungen.
Ziel ist es, die Reibungsverluste zwischen diesen Phasen zu verringern. Ingenieurteams können eine gemeinsame Architektur nutzen, anstatt jeden Teil jeder Entwicklungspipeline eigenständig zusammenzustellen und zu warten, und diese an ihre eigene Hardware und Anwendung anpassen.
Amazon gibt an, dass die Toolchain auf den eigenen Erfahrungen im Robotereinsatz beruht; das Unternehmen berichtet von mehr als einer Million Roboter in seinem Netzwerk. Diese Erfahrung habe die praktischen Herausforderungen beim großflächigen Betrieb autonomer Maschinen offengelegt – von der Koordination von Flotten bis zur Wartung der Software auf der bereitgestellten Hardware. Das Unternehmen hob mehrere Entwickler hervor, die an Physical AI arbeiten. NEURA Robotics entwickelt kognitive humanoide Roboter, RLWRLD baut Basismodelle für geschickte Manipulation, und Config hat eine Pipeline zum Sammeln und Erweitern von Trainingsdaten für Roboteraktionen aufgebaut.
Für Hersteller reichen die potenziellen Anwendungen von Roboterarmen, die sich neuen Montageaufgaben anpassen, bis hin zu autonomen Maschinen, die Material transportieren und die Produktion überwachen. Die Toolchain ist jedoch eine Entwicklungsplattform und kein fertiger Roboter; ihre Verfügbarkeit garantiert nicht, dass im Simulator trainierte Modelle in Fabriken oder Lagern zuverlässig laufen.
Die Herausforderung von Simulation und Realität
Eine Kernherausforderung der Robotik ist der Übergang von der Simulation zum realen Betrieb. Ein in der virtuellen Umgebung erfolgreiches Modell kann bei der Bereitstellung auf physischer Hardware auf unerwartete Reibung, Lichtveränderungen, Sensornachrichten oder Variationen bei der Objektbehandlung stoßen. Indem sie Simulation, Training, Bereitstellung und Feedback in einem Workflow vereinen, wollen AWS und NVIDIA diesen Übergang besser beherrschbar machen. Die Toolchain umfasst auch Flottenmanagementfunktionen, die Unternehmen dabei helfen sollen, Maschinen zu konfigurieren, abzusichern und zu aktualisieren, während die Bereitstellung wächst. Für Ingenieure liegt die Bedeutung nicht nur in einem einzelnen neuen KI-Modell, sondern in der Infrastruktur, die für die wiederholbare Entwicklung von Physical-AI-Systemen erforderlich ist.
Element Spezifikation Simulationsumgebung Synthetische Datengenerierung Lernmethode Menschliche Demonstration und Simulationsübung Testmethode Test in virtueller Umgebung Bereitstellungsart Edge-Bereitstellung Datenrückführung Kontinuierliche Verbesserung
Zukünftige Herausforderungen und Chancen der Physical-AI-Entwicklung
Mit der Weiterentwicklung der Robotik benötigen Unternehmen zunehmend Systeme, die mit der physischen Umwelt interagieren können. Amazons Open-Source-Entwicklungsplattform stellt nicht nur die notwendigen Werkzeuge bereit, sondern integriert auch Lösungen für die Herausforderungen, denen Roboter im realen Betrieb gegenüberstehen. Dazu gehört der Übergang von der Simulation zum realen Betrieb, der eine zentrale technische Herausforderung darstellt. Erfolgreiche Physical-AI-Systeme erfordern große Mengen an Trainingsdaten und effektive Simulationsumgebungen, um Zuverlässigkeit in der realen Welt zu gewährleisten. Solche Entwicklungsplattformen tragen dazu bei, den Fortschritt der Robotik zu beschleunigen und die Automatisierung in verschiedenen Branchen voranzutreiben.