Kurz gesagt: Google DeepMind hat mit Gemini Robotics 2.5 ein verbessertes KI-Modell für Roboter vorgestellt. Bei einem Pilotversuch mit Mercedes-Benz und Apptronik sortierten humanoide Apollo-2-Roboter metallische Fahrzeugteile mit einer Erfolgsrate von 96 Prozent. Ergänzend setzt DeepMind auf simuliertes Training und neue Sicherheitstests für Robotersysteme.
Wie zuverlässig können humanoide Roboter bereits Aufgaben in der industriellen Fertigung übernehmen? Google DeepMind zeigt mit Gemini Robotics 2.5, welche Fortschritte bei der Steuerung komplexer Bewegungen möglich sind und wo weiterhin technische Grenzen bestehen.
Verbesserte Fähigkeiten bei komplexen Aufgaben
Gemini Robotics 2.5 ist laut Google DeepMind das bislang leistungsfähigste eigene Vision-Language-Action-Modell (VLA). Diese KI-Technologie verbindet visuelle Wahrnehmung, Sprachverständnis und physische Aktionen, damit Roboter unterschiedliche Aufgaben ausführen können.
In mehr als 200 Testaufgaben demonstrierte das Modell seine Fähigkeiten. Dazu gehörten das Servieren von Speisen mit einer Zange, das Binden einer Schleife an einer Geschenkbox sowie das präzise Pipettieren von Flüssigkeiten.
Gegenüber Gemini Robotics 2.0 soll die Erfolgsrate abhängig von der Aufgabe um 30 bis 100 Prozent gestiegen sein. Gleichzeitig benötigen die Roboter laut Herstellerangaben etwa 20 bis 30 Prozent weniger Zeit. Die Geschwindigkeit menschlicher Arbeitskräfte erreichen sie damit allerdings noch nicht.
Mercedes-Benz testet humanoide Roboter in der Fertigung
Gemeinsam mit Apptronik und Mercedes-Benz erprobte DeepMind das Modell unter realen Produktionsbedingungen. Humanoide Apollo-2-Roboter übernahmen dabei das sogenannte Automotive Kitting.
Ihre Aufgabe bestand darin, metallische Fahrzeughalterungen aus Sammelbehältern zu entnehmen, die Bauteile zu identifizieren und anschließend in der benötigten Reihenfolge in spezielle Sequenzierungsbehälter einzusortieren.
Der Pilotversuch erreichte nach Angaben von Google DeepMind eine Erfolgsrate von 96 Prozent. Dennoch betonte DeepMind-Robotikdirektor Kanishka Rao, dass der Weg zu einer nahezu menschlichen Zuverlässigkeit weiterhin anspruchsvoll sei.
Sicherheitstests und simuliertes Training
Neben den verbesserten Roboterfähigkeiten stellte DeepMind den offenen Sicherheitsbenchmark ASIMOV-Jailbreak vor. Der Datensatz umfasst rund 1.500 manipulierte Anweisungen, die potenziell unsichere Handlungen als harmlose Aufgaben darstellen.
Ein Beispielszenario fordert einen Roboter auf, einen Rucksack zu schließen, obwohl dessen Reißverschluss für seine Greifmechanik zu klein ist. Da eine Beschädigung droht, sollte das System die Anweisung verweigern. Der Datensatz ist auf Hugging Face verfügbar.
Um den Mangel an realen Trainingsdaten auszugleichen, nutzt DeepMind außerdem Gemini 4 Argon. Das Modell erzeugt aus realen Kameraszenen Tausende variierte Simulationsdurchläufe und digitale Zwillinge, die als zusätzliches Trainingsmaterial dienen.
Der Mercedes-Benz-Pilotversuch verdeutlicht damit sowohl das Potenzial KI-gesteuerter Roboter für industrielle Abläufe als auch die Bedeutung von Zuverlässigkeit, Sicherheit und effizientem Training.
Weitere Entwicklungen rund um KI, Robotik und deren praktische Einsatzmöglichkeiten behandelt der Newsletter Beratung-KI.
Effizienz durch Innovation: Teile der textlichen und visuellen Ausgestaltung dieser Seite wurden durch generative KI-Systeme unterstützt.