Physical AI steht im Mittelpunkt eines neuen Whitepapers von ABB Robotics und NVIDIA. Darin beschreiben die Unternehmen, wie sich hochpräzise Fertigungsprozesse mithilfe von KI, Robotik-Vision und digitalen Zwillingen effizienter entwickeln, validieren und in Betrieb nehmen lassen. Ziel ist es, die Einführung autonomer Robotiksysteme zu beschleunigen und den Übergang von der Simulation in die reale Produktion zu vereinfachen. Das Whitepaper steht zum kostenfreien Download zur Verfügung.

Physical AI als nächster Entwicklungsschritt der Automatisierungstechnik

Nach Einschätzung der Autoren stößt die klassische Automatisierung bei häufig wechselnden Produktionsanforderungen zunehmend an ihre Grenzen. Physical AI soll Robotersystemen ermöglichen, ihre Umgebung zu erfassen, Entscheidungen in Echtzeit zu treffen und ihr Verhalten kontinuierlich anhand neuer Daten anzupassen. Damit entwickelt sich die Robotik von fest programmierten Abläufen hin zu lernfähigen, vielseitig einsetzbaren Systemen.

Eine zentrale Voraussetzung dafür ist die enge Verzahnung von virtueller Entwicklung und realem Betrieb. Hochrealistische digitale Zwillinge bilden dabei die Grundlage, um Robotersysteme bereits vor der Inbetriebnahme unter realitätsnahen Bedingungen zu trainieren und zu validieren.

Digital-First-Engineering mit digitalen Zwillingen

Das gemeinsam mit AsiaInfo, Deloitte und SKAI Intelligence entwickelte Whitepaper beschreibt einen Digital-First-Ansatz, bei dem Risiken für Vision-Anwendungen bereits während der Entwicklung bewertet werden. Digitale Zwillinge, synthetisch erzeugte Trainingsdaten und KI-gestützte Validierungsverfahren sollen dazu beitragen, potenzielle Fehler frühzeitig zu identifizieren und zu beheben.

Die daraus entstehenden Engineering-Bausteine lassen sich dokumentieren, wiederverwenden und für weitere Anwendungen validieren. Gleichzeitig fließen Betriebsdaten aus realen Produktionsumgebungen kontinuierlich in die digitalen Modelle zurück. Dadurch entsteht ein geschlossener Optimierungskreislauf zwischen Simulation und Praxis.

Robotik-Vision und offene KI-Toolchain

ABB Robotics entwickelt nach eigenen Angaben eine Physical-AI-Toolchain, die Simulationsdaten, synthetische Trainingsdaten und reale Betriebsdaten miteinander verbindet. Statt Roboter ausschließlich zu programmieren, können diese auf Basis eines kontinuierlichen Lernprozesses trainiert werden.

Der Ansatz setzt auf ein offenes KI-Ökosystem, in dem unterschiedliche Datenquellen und KI-Modelle kombiniert werden können. Ziel ist es, industrielle Anforderungen hinsichtlich Präzision, Skalierbarkeit und Zuverlässigkeit auch bei komplexen Anwendungen zu erfüllen.

Das Whitepaper hebt zudem die Bedeutung von Referenzarchitekturen, roboterspezifischer Verifikation sowie kontinuierlichen Feedback-Prozessen hervor. Diese Bausteine sollen die Einführung KI-gestützter Automatisierungslösungen im industriellen Maßstab unterstützen.

Partnerschaft schließt Sim-to-Real-Lücke

Die Veröffentlichung baut auf der im März 2026 bekannt gegebenen Partnerschaft zwischen ABB Robotics und NVIDIA auf. Ein erstes Ergebnis dieser Zusammenarbeit ist RobotStudio® HyperReality. Die Lösung kombiniert die Offline-Programmier- und Simulationsplattform RobotStudio® mit den physikalisch präzisen Simulationsfunktionen der NVIDIA-Omniverse™-Bibliotheken.

Dadurch soll die sogenannte Sim-to-Real-Lücke zwischen virtueller Entwicklung und realem Anlagenbetrieb reduziert werden. Nach erfolgreichen Pilotprojekten ist vorgesehen, die Lösung in der zweiten Jahreshälfte 2026 der weltweiten Community von mehr als 60.000 RobotStudio-Anwenderinnen und -Anwendern bereitzustellen.

Einordnung für die Prozessindustrie

Für Betreiber von Produktionsanlagen zeigt das Whitepaper einen Entwicklungsansatz auf, der Simulation, KI und Robotik enger miteinander verbindet. Die Autoren sehen insbesondere in der frühzeitigen Validierung von Vision-Systemen sowie im kontinuierlichen Datenrückfluss aus realen Anwendungen Potenzial, Engineering-Aufwand zu reduzieren und die Einführung neuer Automatisierungslösungen zu beschleunigen.

Das gesamte Whitepaper steht zum kostenfreien Download zur Verfügung: