Am 2. November hat UBTech die Simulationsplattform für verkörperte KI, Thinker-Sim, veröffentlicht. Sie zielt auf den teuersten und zeitaufwendigsten Teil des Robotertrainings: Das Sammeln echter Daten ist kostspielig, der Aufbau von Simulationsumgebungen schwierig und die Validierung von Algorithmen langwierig. Der Ansatz besteht darin, die reale Welt schnell in die Simulation zu übertragen, den Roboter zuerst gründlich im Computer zu trainieren und ihn erst dann an echter Hardware zu validieren, sodass Training und Evaluation die Umgebung nicht jedes Mal von Grund auf neu aufbauen müssen.
Die Plattform basiert auf dem Real2Sim2Real-Framework und deckt drei Dinge an einem Ort ab: die Digitalisierung realer Szenen, die Erzeugung von Simulationsdaten in großem Maßstab und die Bewertung von Roboterfähigkeiten. Für die Szenenrekonstruktion wird der hauseigene hochpräzise Algorithmus Thinker-GS von UBTech verwendet, kombiniert mit der automatisierten SimReady-Asset-Erzeugung, um von der Erfassung realer Szenen über die 3D-Rekonstruktion bis zur Erzeugung von Simulationsassets effizient zu gelangen. Am Beispiel einer echten Fabrikproduktionslinie kann die Plattform Fabriklayout, Umgebungsstruktur und visuelle Details wiederherstellen und je nach Aufgabe – Training, Datenerfassung oder Algorithmenbewertung – flexibel Vordergrund-Assets wie Roboter, Produktionsanlagen und Personen laden. Auch für kommerzielle Dienstleistungsszenarien lassen sich schnell digitale Zwillingsumgebungen mit realistischer visueller Darstellung für Training und Bereitstellungsvalidierung erzeugen.
Wie weit Vorlagen und Agenten die Hürde senken
Die Plattform enthält eine große Zahl standardisierter Vorlagen für Simulationsaufgaben, die die gängigen Trainings-, Datensynthese- und Bewertungsszenarien von Robotern abdecken. Nutzer müssen keine Simulationsumgebung von Grund auf bauen; Vorlage wählen und Parameter setzen genügt, um eine Simulationsaufgabe schnell zu starten. Während der Simulation gibt es Echtzeit-Bildübertragung, Aufgabenstatusüberwachung und Ergebnisrückmeldung, sodass Probleme schnell darauf zurückgeführt werden können, ob die Aufgabe gescheitert ist, das Modell eine Anomalie zeigt oder die Umgebungskonfiguration falsch ist. Die Module für Szene, Roboter, Aufgabe, Algorithmus und Bewertung lassen sich flexibel konfigurieren, und laut UBTech kann die Plattform mehr als 90 Prozent der Zielsimulationsszenarien abdecken.
Wichtiger ist die Art der Interaktion: Auf Basis des hauseigenen Ulab-Agent nimmt die Plattform natürliche Sprache als einheitlichen Einstieg, versteht die Anforderungen der Nutzer und ruft dann selbstständig grundlegende atomare Fähigkeiten wie Szenenerstellung, Umgebungskonfiguration, Randomisierung, Aufgabenorchestrierung und Planungsausführung auf, um den gesamten Simulationsworkflow abzuschließen. Auch wer keinen Simulationscode schreiben kann, kann eine Aufgabe in einem Satz erteilen.
Thinker-Sim betritt keinen leeren Markt; NVIDIAs Isaac-Simulationswerkzeuge werden seit vielen Jahren eingesetzt. Der Unterschied von UBTech liegt in der Bewertung und im All-in-one-Ablauf, doch die bisherige Berichterstattung sagt nichts darüber, ob die Plattform offen ist, wie sie bepreist wird oder welche Einsatzdaten echte Kunden vorweisen. So realistisch eine Simulation auch ist, letztlich zählt die Leistung an echter Hardware, und die nächste Reihe öffentlich bekannt gegebener Einsatzfälle wird der entscheidende Test sein.
