Diese Ausgabe umfasst Entwicklungen vom 7. August bis 7. September 2026. Sie priorisiert Primärquellen, offene Ressourcen und messbare Folgen für den Einsatz. Herstellerangaben sind als solche gekennzeichnet; Prognosen werden nicht als erfolgte Deployments dargestellt.
AGIBOT macht Fehler und menschliche Korrektur zum Trainingswert
AGIBOT veröffentlichte AGIBOT WORLD 2026 Theme 3 mit 11.430 realen Trajektorien aus 14 Industrie- und Haushaltsaufgaben. Der offene Datensatz verbindet Expertendemonstrationen, autonome Policy-Rollouts und Human-in-the-Loop-Korrekturen. AGIBOT nennt 1.024 erfolgreiche und 1.369 fehlgeschlagene Rollouts sowie 98.159 annotierte Teilaufgabenintervalle, 26.493 Störungssegmente, 5.795 Fehlerzustände und 10.684 menschliche Eingriffe.
Industrielles Lernen kann nicht allein auf bereinigten Demonstrationen beruhen. GappAI sollte Expertenreferenz, Roboterversuch und menschliche Korrektur als drei verbundene Datenschichten behandeln. Zeitpunkt des Eingriffs und Recovery-Verhalten zeigen besonders klar die Grenze zwischen akzeptabler Autonomie und nötiger Aufsicht.
NVIDIA bringt ein 4B-Weltmodell auf den Roboter—und veröffentlicht das begrenzende Ergebnis
NVIDIA veröffentlichte einen reproduzierbaren Weg, Cosmos 3 Edge als Manipulations-Policy auf Jetson AGX Thor zu betreiben. Der Trainingsdatensatz umfasst 76.000 erfolgreiche teleoperierte Trajektorien—rund 350 Stunden, 86 Aufgaben und 564 Szenen—im LeRobotDataset-v3-Format. NVIDIA nennt 1,53 Sekunden pro Aktionsblock bei etwa 2,13 Sekunden abgedeckter Bewegung und 22,9 Prozent Closed-Loop-Erfolg über 120 sprachkonditionierte Aufgaben.
On-Device-Inferenz kann Cloud-Latenz, Konnektivitätsabhängigkeit und die Weitergabe von Betriebsdaten reduzieren. 22,9 Prozent sind jedoch Entwicklungsnachweis, kein Produktions-KPI. Das einsetzbare Produkt ist die Engineering-Schicht: aufgabenspezifisches Post-Training, Evaluierung, Fallback-Verhalten und messbare Intervention.
COMPASS macht Roboteranpassung zu einem kontrollierten Ablauf
NVIDIAs COMPASS-Workflow nutzt Isaac Lab 3.0 und Isaac Sim 6.0, um eine vortrainierte X-Mobility-Navigationspolicy per residualem Reinforcement Learning an Roboter und Umgebung anzupassen. Der Referenzablauf enthält generierte oder erfasste Umgebungen, eine Boston-Dynamics-Spot-Konfiguration, Evaluierungsmetriken und menschliche Freigaben vor Szenenannahme, Smoke-Test und Checkpoint-Promotion. Im Berichtszeitraum wurde keine neue GR00T-Modellversion angekündigt.
Wiederverwendbare Skills werden nicht durch Behauptung hardwareunabhängig. Ein glaubwürdiges Cross-Embodiment-System braucht eine gemeinsame Aufgabendefinition, robotspezifisches Action Mapping, standortspezifische Validierung und Freigabestufen. GappAI sollte GR00T als eine Modelloption behandeln und Isaac-kompatible Evaluierung in einer plattformneutralen Architektur nutzen.
Ein CNC-Fall zeigt, was ein Deployment-Nachweis noch belegen muss
Techman Robot und Guorui Automation veröffentlichten eine angepasste CNC-Maschinenbeschickung mit TM AI Cobot und integrierter Vision für Werkstücklokalisierung, Be- und Entladung sowie definierte Prüfschritte. Der Fall nennt zu validierende Integrationsvariablen und Abnahmekriterien—darunter Teileerkennung, Pick-Erfolg, Beladegenauigkeit, Zykluszeit, Fehlerbehebung und Zellsicherheit. Ein benannter Endkunde, gemessener Produktivitätsgewinn, Uptime und ROI fehlen.
Das Muster ist gerade deshalb nützlich, weil seine Grenzen sichtbar sind. Ein einsetzbares Robotikangebot beginnt mit einem abgegrenzten Materialtransfer, dokumentierter Baseline, repräsentativen Teilen, Maschinenschnittstellen und vollständiger Risikobeurteilung. Aussagen zum Dauerbetrieb müssen auf Messwerten beruhen.
XPENG finanziert einen Automotive-Weg zur Humanoiden-Produktion
XPENG kündigte Vereinbarungen über mehr als 900 Millionen US-Dollar für das Robotikgeschäft bei einer Post-Money-Bewertung von über 6,3 Milliarden US-Dollar an. Die Runde wird von IDG Capital geführt; Gaorong Ventures sowie Tencent und Alibaba beteiligen sich. XPENG beschreibt IRON mit 76 Freiheitsgraden, 21 je Hand und bis zu 2.250 TOPS On-Device-Rechenleistung. Serienproduktion bis Ende 2026 und Auslieferungen 2027 sind Unternehmensziele, keine abgeschlossenen Deployments.
Kapital konzentriert sich bei vertikal integrierten Gruppen, die Chips, Modelle, Datenerzeugung und Fertigung finanzieren können. GappAI sollte diesen Stack nicht duplizieren. Die verteidigungsfähige Position in Europa liegt kundenseitig: Aufgabenauswahl, professionelle Datenerfassung, Skill-Anpassung, Integration, Validierung und ergebnisbasierter Flottenbetrieb über mehrere Robotermarken.
Was wir als Nächstes beobachten
- Ob offene Datensätze Interventionen und Recovery-Labels mit reproduzierbaren Verbesserungen bei ungesehenen Aufgaben verbinden.
- Ob On-Device-Weltmodelle ihren Closed-Loop-Erfolg steigern und zugleich prüfbares Sicherheits- und Fallback-Verhalten erhalten.
- Ob Humanoiden-Kapital in Kundennachweise übergeht: Durchsatz, Eingriffsrate, Uptime und Gesamtbetriebskosten.
GappAI-Einordnung
Der strategische Wert liegt im Lernkreislauf, nicht in der Roboterdemonstration. GappAI sollte Expertenarbeit, autonome Versuche und Korrekturen in einer gesteuerten Datenstruktur erfassen, Skills in Simulation und Zielzelle validieren und Policies nur anhand von Qualität, Zykluszeit, Recovery, Intervention, Uptime und Sicherheit freigeben.