Sim-to-Real ist eine Trainingsmethode für humanoide Roboter, die teure Realdaten durch Simulation ersetzt. Das Embodied-AI-Unicorn DexForce aus Shenzhen treibt diesen Ansatz industriell voran. Ein Kunde schickt nur eine CAD-Datei. Sechs bis acht Stunden später greift der echte Roboter das Bauteil am Fließband.
Ein Videobesuch in der Shenzhen-Fabrik zeigt den Stand der Technik. Die W1-Pro-Humanoiden laufen bereits bei BYD und in der Chemieindustrie. Beobachter sehen darin einen Wendepunkt. Die Frage lautet nicht mehr ob, sondern wann Roboter den ersten Handgriff übernehmen.
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Sim-to-Real: Vom CAD-Modell zum trainierten Roboter
Der Prozess beginnt nicht am Roboter, sondern am Rechner. Kunden liefern die 3D-Konstruktionsdaten ihrer Bauteile. DexForce lädt diese CAD-Datei in die eigene Engine. Aus einem einzigen Modell entstehen so rund 10.000 Trainingsdaten.
Die Simulation variiert dabei jedes Detail. Licht, Position, Farbe und Blickwinkel ändern sich tausendfach. So lernt das Modell die Aufgabe robust. Nach sechs bis acht Stunden steht ein spezifisches Robotermodell bereit.
Echte Sensordaten braucht dieser Weg zunächst nicht. Der Roboter übt die Aufgabe komplett digital. Erst danach greift er das reale Bauteil in der Fabrik. Genau diese Abkürzung macht Sim-to-Real für die Massenproduktion attraktiv.
DexNet-Engine und eine eigene Physics-Engine
Den Kern bildet die hauseigene DexNet-Engine. Sie erzeugt Umgebung, Bauteile und Kameradaten rein digital. Für die Industrie bleibt die Szene bewusst schlank. Simuliert werden nur Roboter, Sensor und das relevante Werkstück.
Bemerkenswert ist die Physik dahinter. Viele Firmen nutzen Isaac von Nvidia oder MuJoCo. DexForce hat stattdessen eine eigene Physics-Engine entwickelt. Das verschafft dem Team volle Kontrolle über die Datenqualität.
Gesteuert wird der Roboter über ein VLA-Modell. Diese Vision-Language-Action-Modelle verbinden Kamerabild, Sprache und Bewegung. Ein Action-Modell sagt den nächsten Griff voraus. Solche Systeme gehören zur wachsenden Klasse der robotischen Foundation Models.
Warum der Flaschenhals nicht die Hardware ist
Die spannendste Erkenntnis betrifft nicht die Mechanik. Der zentrale Engpass sind die Trainingsdaten. Teleoperation braucht drei bis sechs Monate reines Datensammeln. Selbst dann erreicht sie selten eine Erfolgsquote von 99,9 Prozent.
Reale Daten haben ein weiteres Problem. Zwischen zwei baugleichen Robotern klafft oft eine Lücke. Simulierte Daten schließen sie durch Vielfalt. Zufällige Farben, Lichter und Positionen härten das Modell ab.
Der Firmengründer, ein Professor der CUHK in Shenzhen, forscht seit über zehn Jahren an diesem Prinzip. 2016 kehrte er dafür nach Festland-China zurück. Das Muster passt zu Chinas Aufholjagd, wie sie sich auch bei anderen humanoiden Robotern aus China zeigt.
W1 Pro im Einsatz: Popcorn, Kaffee und Schach
DexForce zeigt seine Roboter an echten Aufgaben. Ein Arm schöpft Popcorn aus einem Becher. Stört eine Hand den Griff, korrigiert sich der Roboter selbst. Er erkennt sogar, wo im Becher das meiste Popcorn liegt.
Der humanoide W1 Pro serviert Kaffee. Er greift den Becher und die glatte Kapsel mit den Fingern. Beide Arme arbeiten dafür zusammen. Der W1 Pro bietet dazu 34 Freiheitsgrade in den Armen.
Selbst chinesisches Schach beherrscht der Roboter. Ein Sprachmodell erkennt die Figuren und plant die Züge. DexForce koppelt dafür je nach Bedarf DeepSeek oder GPT an. Das Action-Modell führt den Griff dann präzise aus.
Sim-to-Real bei BYD und in 50 Industrien
Die Technik steckt längst in der Produktion. Über 1.000 Projekte laufen weltweit mit der Sensorik von DexForce. Sie deckt mehr als 50 Industrien ab. Dazu zählen Automobil, Chemie, Fertigung und Consumer Electronics.
Als Augen dienen Stereo-Kameras mit zwei RGB-Sensoren. Das Prinzip ähnelt der Kameratechnik moderner Fahrassistenz. Teure 3D-Kameras spart sich das System. Dieselbe Sensorserie sitzt in Industriearmen und im Humanoiden.
Bis 2025 lag der Fokus fast komplett auf China. Jetzt expandiert DexForce nach Europa, in die USA und nach Südostasien. Mindestens ein deutsches Unternehmen zählt bereits zu den Partnern. Branchenkenner werten den Schritt als Test für den europäischen Markt.
Fazit: Sim-to-Real macht Roboter wirtschaftlich
Der Besuch bei DexForce zeigt eine klare Verschiebung. Nicht die Hardware entscheidet über den Fabrikeinsatz, sondern die Trainingsdaten. Sim-to-Real senkt deren Kosten drastisch. Aus einer CAD-Datei wird in Stunden ein arbeitsfähiges Modell.
Für die Industrie rückt der humanoide Roboter damit näher. Wer heute Prozesse dokumentiert, schafft die Datenbasis von morgen. Sim-to-Real verwandelt diese Konstruktionsdaten in reale Handgriffe. Der Wettlauf um die Fabrik der Zukunft läuft.
Häufige Fragen
Was bedeutet Sim-to-Real bei humanoiden Robotern?
Sim-to-Real beschreibt das Training von Robotern in einer digitalen Simulation, bevor sie real arbeiten. DexForce erzeugt aus einer CAD-Datei tausende virtuelle Szenen. Der Roboter übt die Aufgabe dort mit wechselndem Licht, Farben und Positionen. Erst danach überträgt das Modell die gelernte Bewegung auf die echte Hardware in der Fabrik.
Wie schnell trainiert DexForce einen neuen Roboter?
Nach dem Upload der CAD-Datei generiert die DexNet-Engine die Trainingsdaten in etwa sechs bis acht Stunden. Daraus entsteht ein spezifisches Modell für genau dieses Bauteil. Der Roboter lässt sich anschließend direkt in der Produktion einsetzen. Klassische Teleoperation würde für dasselbe Ergebnis drei bis sechs Monate Datensammeln benötigen.
Wo sind die W1-Pro-Roboter von DexForce im Einsatz?
Die Humanoiden und Industriearme laufen unter anderem beim Autobauer BYD und in der Chemieindustrie. Insgesamt steckt die Sensorik in über 1.000 Projekten und mehr als 50 Industrien. Dazu zählen Automobil, Fertigung und Consumer Electronics. Bis 2025 lag der Schwerpunkt in China, seitdem expandiert das Unternehmen nach Europa und in die USA.
Warum baut DexForce eine eigene Physics-Engine?
Die meisten Wettbewerber setzen auf Isaac von Nvidia oder MuJoCo. DexForce hat stattdessen eine eigene Physics-Engine entwickelt. Das erlaubt volle Kontrolle über die simulierten Daten und deren Qualität. So lassen sich Szenen bewusst schlank halten und nur die relevanten Bauteile abbilden, was die Rechenlast senkt.
Braucht Sim-to-Real überhaupt echte Daten?
Für den ersten Rollout genügt die reine Simulation, echte Sensordaten sind nicht nötig. DexForce nutzt zusätzlich einen Real-to-Sim-to-Real-Kreislauf. Dabei fließen Fehlversuche aus der Fabrik zurück in die Simulation. Das Modell verbessert sich so mit realem Feedback, ohne monatelang Daten von Hand zu sammeln.
