Laatste update: april 23, 2026

Gegevensverzameling voor belichaamde AI: teleoperatie, simulatie naar de werkelijkheid en industriële datasets in 2026

Data vormt het knelpunt voor belichaamde AI, niet de rekenkracht. Het trainen van een robotbeleid vereist gesynchroniseerde actie-statusstromen die op internetniveau simpelweg niet beschikbaar zijn. Momenteel voorzien drie bronnen in die vraag. Teleoperatie door mensen levert hoogwaardige demonstraties op, maar kost de operator tijd. Overdracht van simulatie naar realiteit schaalt het aantal episodes op, maar introduceert een kwaliteitsverschil. Grote open datasets bundelen bijdragen van tientallen laboratoria en platforms.

Waarom data het knelpunt vormt in de belichaamde AI.

De rekenkracht heeft een voorspelbare schaalcurve gevolgd. GPU-clusters die in staat zijn om vision-language-action (VLA)-modellen met miljarden parameters te trainen, zijn tegenwoordig commercieel verkrijgbaar. Wat echter niet is meegeschaald, zijn de gegevens die deze modellen nodig hebben: gepaarde observaties en acties die zijn vastgelegd tijdens fysieke robotmanipulatie, met voldoende taak- en belichamingsdiversiteit om beleidsregels te genereren die generaliseren.

Een taalmodel kan in een paar weken tijd een biljoen tokens van het web verwerken. Een dataset voor robotmanipulatie moet daarentegen aflevering voor aflevering worden gegenereerd, waarbij elke aflevering een fysieke robot, een echte of gesimuleerde omgeving, een taakomschrijving en een menselijke operator of een gescripte demonstratie vereist. De International Federation of Robotics (IFR) schat dat er in 2024 wereldwijd meer dan 3.9 miljoen industriële robots in gebruik waren, terwijl de grootste openbare manipulatie-datasets slechts ongeveer een miljoen afleveringen bevatten. Deze kloof wordt niet snel gedicht.

De uitdaging wordt nog groter als je rekening houdt met de kloof tussen fysieke en fysieke vorm: een beleid dat is getraind op een 6-DOF-manipulator met één arm kan niet zomaar worden overgedragen naar een humanoïde robot met twee handen of een mobiele basis met een arm. Elke nieuwe robotvormfactor stelt in feite nieuwe datavereisten. Benaderingen waarbij acties in stukken worden verdeeld (waarbij een beleid meerstapsactiesequenties genereert in plaats van afzonderlijke stappen) verminderen de inferentievertraging, maar verminderen niet de behoefte aan een gevarieerde trainingsdekking.

Volgens het Open X-Embodiment-artikel (Padalkar et al., 2023, Google DeepMind et al.) kan training met diverse robotdata, waarbij gebruik wordt gemaakt van verschillende lichaamsvormen, de generalisatie van beleid verbeteren ten opzichte van datasets met slechts één lichaamsvorm. EVST pakt dit aan door de kwaliteit van datasets met verschillende lichaamsvormen te evalueren als onderdeel van het interne beoordelingsproces bij de selectie van AI-ondersteunde bewegingsplanning voor hun volledige robotassortiment van 3 tot 800 kg. Zie voor de hardwarekant van deze datastrategie EVST Embodied AI Solutionswaaronder humanoïde robots, behendige dataverzamelende handen, vierpotige robots en pilotplatforms voor de ontwikkeling van belichaamde AI.

De drie belangrijkste gegevensbronnen: sterke punten en beperkingen

Teleoperatie

Teleoperatie legt demonstraties van expertkwaliteit vast op de hardware van de doelrobot. De operator bestuurt de robot op afstand via volgarmen, VR-headsets, exoskeletten of handheld-interfaces, terwijl het systeem synchroon elke gewrichtshoek, grijperstand, krachtmeting en camerabeeld registreert. Omdat de gegevens afkomstig zijn van een mens die de daadwerkelijke taak op de robot uitvoert, is de correspondentie tussen actie en toestand exact en is er geen sprake van een verschil tussen de daadwerkelijke taak en de robot.

De beperking zit hem in de doorvoer. Ervaren teleoperators produceren ruwweg 5 tot 50 episodes per uur, afhankelijk van de complexiteit van de taak, en de datakwaliteit verslechtert wanneer operators vermoeid raken. Teleoperatie is bovendien niet schaalbaar voor herstel na een storing zonder een weloverwogen protocolontwerp: als operators altijd succesvol zijn, leert het beleid nooit om te herstellen van verstoringen.

Sim-naar-Real-overdracht

Fysica-simulatoren (MuJoCo, NVIDIA Isaac Sim, Isaac Lab, PyBullet) stellen onderzoekers in staat om miljoenen robotscenario's te genereren tegen vrijwel nul marginale kosten. Een enkel GPU-cluster kan 's nachts duizenden parallelle simulaties uitvoeren. De kosten worden echter zichtbaar bij de implementatie: beleidsregels die in de simulatie zijn getraind, falen vaak wanneer ze worden geconfronteerd met contactdynamiek, sensorruis en visuele variaties in de echte wereld die de simulator niet nauwkeurig heeft nagebootst. Het dichten van deze kloof tussen simulatie en realiteit is een actief onderzoeksgebied.

Internetvideo en passieve observatie

Grote, op beeldherkenning gebaseerde modellen, getraind op internetvideo's, bieden een algemeen beeldbegrip dat helpt bij het verankeren van taken. De pi0-architectuur van Physical Intelligence en vergelijkbare VLA-ontwerpen gebruiken video-pretraining om manipulatievaardigheden te ontwikkelen voordat ze worden verfijnd met robotdemonstraties. De beperking is dat video geen actielabels bevat: een video toont een hand die een object vastgrijpt, maar registreert niet de uitgeoefende kracht of de gewrichtshoeken van een equivalente robotarm. Inverse dynamische modellen kunnen acties gedeeltelijk afleiden uit video, maar de resulterende pseudo-labels bevatten ruis.

Hardware en protocollen voor teleoperatie

De keuze van de teleoperatie-interface bepaalt zowel de datakwaliteit als de doorvoer van de gegevensverzameling. Hieronder staan ​​de systemen die het meest actief zijn in onderzoeks- en commerciële programma's in 2025-2026.

Leider-volger-wapens: ALOHA en Mobiele ALOHA

ALOHA (A Low-cost Open-source Hardware System for Bimanual Teleoperation) werd ontwikkeld aan Stanford en maakt gebruik van twee goedkope geleidearmen die de operator handmatig beweegt, terwijl twee bijpassende volgarmen op de robot de beweging in realtime repliceren. Het bimanuele ontwerp maakt taken mogelijk die met twee handen worden uitgevoerd en die met systemen met één arm niet mogelijk zijn. Mobile ALOHA breidt het platform uit naar een mobiele basis. ALOHA 2, uitgebracht in 2024, verbeterde de nauwkeurigheid van de gewrichtsvolging en de ergonomie voor de operator. De hardwarekosten voor het geleidearm-volgarmpaar bedragen minder dan $ 20,000, wat heeft geleid tot de adoptie ervan in tientallen academische laboratoria.

Polsinterfaces: UMI

De Universal Manipulation Interface (UMI), ontwikkeld door Stanford en Columbia, monteert een fisheye-camera en een encoder op een handgrijper. De operator demonstreert de taak fysiek in de omgeving, terwijl de grijper de positie van de eindeffector en de grijpstatus registreert. UMI ontkoppelt de dataverzameling van de robot: demonstraties kunnen in het veld worden vastgelegd en later worden aangepast aan verschillende robotuitvoeringen. Dit maakt het bijzonder nuttig voor het verzamelen van manipulatiegegevens in de praktijk, buiten een laboratoriumomgeving.

VR en head-mounted displays

Zowel Apple Vision Pro als Meta Quest 3 worden onderzocht als teleoperatie-interfaces. De aantrekkingskracht ligt in de bimanuele handvolging met zes vrijheidsgraden en de intuïtieve bediening door de operator. De technische uitdaging is het omzetten van de bewegingen naar de juiste parameters: de kinematica van een menselijke hand (vijf vingers, 27 gewrichten) moet worden gekoppeld aan de commando's van de robotgrijper (doorgaans grijpers met één vrijheidsgraad of behendige handen met 12-16 vrijheidsgraden). Zonder zorgvuldige aanpassing bevatten de opgenomen demonstraties wel de intentie van de operator, maar geen direct uitvoerbare robotacties.

Exoskelet en volledige lichaamsopname

Voor humanoïde robots die bewegingsgegevens van het hele lichaam nodig hebben (inclusief voortbeweging in combinatie met manipulatie), leggen exoskeletten de kinematica van het hele lichaam vast met een bemonsteringsfrequentie van meer dan 100 Hz. AgiBot gebruikt een op exoskeletten gebaseerde aanpak voor het verzamelen van manipulatiegegevens van humanoïde robots voor de AgiBot World-dataset. De teleoperatie van Fourier GR-1 maakt eveneens gebruik van een draagbaar opnamesysteem dat is afgestemd op de gewrichtsconfiguratie van de robot.

Figuur en grootschalige commerciële vloten

Figure AI beheert een eigen teleoperatievloot binnen de BMW-productiefaciliteiten. Het data-flywheelmodel, waarbij elke ingezette robot nieuwe gegevens verzamelt die vervolgens worden gebruikt voor de training, staat ook centraal in de ontwikkelingsstrategie van Tesla Optimus. Deze gesloten systemen verzamelen industriële data in een tempo dat openbare academische datasets niet kunnen evenaren.

Vergelijking van teleoperatieplatformen

Let op: de doorvoercijfers zijn benaderende bereiken, gebaseerd op gepubliceerde onderzoeken en verslagen van onderzoekers. De individuele vaardigheden van de operator en de complexiteit van de taak hebben een aanzienlijke invloed op de resultaten.

Openbare datasets: Open X-Embodiment, DROID, BridgeData, RoboSet, RH20T, AgiBot World

Het ecosysteem van open datasets is sinds 2022 snel gegroeid. Hieronder een overzicht van de meest geciteerde collecties begin 2026.

Open X-Embodiment (OXE) en RT-X

OXE is samengesteld door Google DeepMind met medewerking van 33 instellingen en bevat meer dan 1 miljoen afleveringen van meer dan 22 robottypen. De bijbehorende RT-X-modellen hebben aangetoond dat training met gecombineerde data van verschillende lichaamsvormen betere resultaten oplevert dan training met data van één enkele lichaamsvorm, met name op het gebied van generalisatie. OXE wordt uitgebracht onder een combinatie van CC-BY- en Apache 2.0-licenties, afhankelijk van de deelnemende instelling. Toegang is mogelijk via de RT-X-website en HuggingFace.

DROID

DROID (Distributed Robot Interaction Dataset) werd verzameld in 13 Noord-Amerikaanse onderzoekslaboratoria met behulp van een gestandaardiseerde Franka Panda-opstelling met een teleoperatie-interface in ALOHA-stijl. De dataset bevat ongeveer 76,000 episodes van diverse huishoudelijke en tafelmanipulatietaken. De gestandaardiseerde hardware op alle locaties maakt DROID tot een van de meest zuivere grootschalige manipulatiedatasets voor gedragscloning en RLHF-experimenten.

BridgeData V2

BridgeData V2, van UC Berkeley en Stanford, bevat ongeveer 60,000 demonstraties voor een breed scala aan tafelbladmanipulatietaken. Het maakt gebruik van een WidowX-arm en is opmerkelijk vanwege de diversiteit aan taken (meer dan 70 verschillende taakcategorieën), waardoor het een veelgebruikte basislijn is voor het finetunen van VLA-modellen. Gepubliceerd onder CC-BY 4.0.

RoboSet

RoboSet, ontwikkeld door IIT Delhi en samenwerkende partners, biedt data over multifunctionele keukentaken, verzameld met een Franka Panda. Het bevat RGB-D-observaties en taalannotaties voor elke episode. RoboSet is specifiek ontworpen om taalafhankelijke beleidsevaluatie te ondersteunen, waardoor het nuttig is voor het testen van generalisatie bij het opvolgen van instructies.

RH20T

RH20T (Robot-Human 20 Tasks) is een grootschalige, contactrijke manipulatiedataset met gesynchroniseerde robotproprioceptie, RGB-video, diepte-, tactiele en audiostreaming. De multimodale rijkdom maakt RH20T een referentie voor onderzoekers die werken aan beleid dat contactdetectie vereist, en niet alleen visuele observatie.

AgiBot-wereld

AgiBot World is een dataset voor het manipuleren van humanoïde robots, geproduceerd door AgiBot, een Chinees robotica-bedrijf, met behulp van hun op exoskeletten gebaseerde dataverzamelingspipeline. De dataset richt zich op manipulatietaken met het volledige lichaam van humanoïde robots en is een van de eerste grootschalige datasets die specifiek gericht is op humanoïde robots op industriële schaal. AgiBot World is beschikbaar onder een open onderzoekslicentie voor niet-commercieel gebruik.

Openbare referentiedataset voor belichaamde AI

Het aantal afleveringen en de licentievoorwaarden zijn afkomstig uit datasetpublicaties en officiële archieven, zoals die begin 2026 golden. Controleer de actuele voorwaarden voordat u de gegevens gebruikt.

Simulatie-naar-werkelijkheid-stack: Isaac Sim, MuJoCo, Cosmos en domeinrandomisatie

Simulatie schaalt de datageneratie. De praktische vraag is welke simulator te gebruiken en hoe de kloof met fysieke hardware te overbruggen.

MuJoCo

MuJoCo (Multi-Joint dynamics with Contact) blijft de standaard voor onderzoek naar manipulatie met veel contact. De fysica-engine verwerkt starre-lichaamsdynamica, zachte contacten en systemen met peesaandrijving met een rekenkundige efficiëntie die duizenden parallelle trainingssessies op één GPU-cluster mogelijk maakt. De open-source release onder Google DeepMind in 2022 heeft de acceptatie aanzienlijk versneld. De meeste academische benchmarks voor gedragsklonen en RLHF (Real-Linear Human Functional) maken gebruik van MuJoCo-omgevingen.

NVIDIA Isaac Sim en Isaac Lab

Isaac Sim draait op NVIDIA's Omniverse-platform en biedt GPU-versnelde fysica met hoogwaardige rendering. Isaac Lab (voorheen OmniIsaacGymEnvs) is het reinforcement learning-framework dat is gebouwd op Isaac Sim en geoptimaliseerd voor massaal parallelle beleidstraining. Een belangrijk voordeel is de fotorealistische rendering: de path-traced visuals van Isaac Sim verkleinen de kloof tussen het visuele en visuele domein in vergelijking met de vereenvoudigde renderers van MuJoCo, wat van belang is voor het trainen van op visie gebaseerde beleidsregels.

NVIDIA-kosmos

Cosmos is NVIDIA's platform voor wereldgebaseerde modellen, dat eind 2024 werd aangekondigd. In plaats van natuurkunde vanuit de grondbeginselen te simuleren, genereert Cosmos fotorealistische video's van interacties tussen robots en objecten op basis van tekst- of beeldprompts, getraind op grote videodatasets. De belofte is het genereren van synthetische trainingsdata die er realistisch genoeg uitzien om de visuele kloof tussen simulatie en realiteit te overbruggen zonder handmatig domeinrandomisatie. Begin 2026 wordt Cosmos door verschillende robotleerlaboratoria onderzocht als een data-augmentatielaag bovenop echte demonstraties.

Gaussiaanse spreiding en scènereconstructie

3D Gaussian Splatting reconstrueert fotorealistische scènes uit een kleine set RGB-afbeeldingen in minuten in plaats van uren. Voor robottraining betekent dit dat een laboratorium een ​​nieuwe werkomgeving kan scannen, een Gaussische scène kan reconstrueren en nieuwe gezichtspunten of objectconfiguraties kan genereren voor data-augmentatie, zonder dat er een fysica-simulator nodig is. Deze aanpak wordt geïntegreerd in verschillende simulatie-naar-real-pipelines als een goedkope tool voor randomisatie in het visuele domein.

Domeinrandomisatie en systeemidentificatie

Domeinrandomisatie randomiseert simulatieparameters (objecttexturen, lichtomstandigheden, wrijvingscoëfficiënten, stijfheid van robotgewrichten) tijdens de training, waardoor het beleid bestand is tegen variatie in plaats van aangepast te zijn aan één enkele gesimuleerde configuratie. Systeemidentificatie hanteert de complementaire aanpak: het meet nauwkeurig de fysieke parameters van de echte robot (massa, inertie, gewrichtsflexibiliteit) en gebruikt die waarden in de simulatie om het verschil vóór de randomisatie te minimaliseren.

Curriculumleren past randomisatie stapsgewijs toe. Een beleid wordt eerst getraind in een beperkte, overzichtelijke simulatie en wordt vervolgens geleidelijk blootgesteld aan meer variatie naarmate de prestaties verbeteren. Deze stapsgewijze aanpak convergeert vaak sneller dan het vanaf het begin volledig randomiseren.

Afweging tussen datakwaliteit en -kwantiteit

Meer data betekent niet automatisch beter. De samenstelling van een dataset bepaalt wat een getraind beleid wel en niet kan doen.

Taakdiversiteit is belangrijker dan het aantal episodes wanneer het doel een generalistische strategie is. Een dataset van 100,000 episodes van dezelfde pick-and-place-taak levert een specialist op. Een dataset van 10,000 episodes, verdeeld over 50 taaktypen, kan een strategie opleveren die na een paar kleine testruns ook toepasbaar is op nieuwe taken.

Diversiteit in belichaming is belangrijk voor de overdracht tussen robots. De waarde van OXE ligt juist in het feit dat het verschillende armtypen, mobiele platforms en behendige handen omvat. Een beleid dat is getraind met OXE en vervolgens verfijnd op een nieuwe robot presteert doorgaans beter dan een beleid dat vanaf nul is getraind met alleen de data van diezelfde nieuwe robot. Dit resultaat is consistent gebleken in meerdere gepubliceerde studies.

De duur van een episode en het herstel na een storing worden onderschat. Datasets verzameld door ervaren teleoperators die zelden falen, leveren beleidsregels op die niet weten hoe ze van verstoringen moeten herstellen. Het doelbewust introduceren van faalsituaties en het demonstreren van herstel verbetert de veerkracht in de praktijk aanzienlijk. Sommige laboratoria gebruiken vijandige verstoringen tijdens teleoperatiesessies om deze data te genereren.

Volgens observaties uit de industrie, gebaseerd op rapporten van meerdere robotleerlaboratoria uit 2024-2025, neemt de meerwaarde van extra episodes sterk af zodra een dataset een taak omvat met ongeveer 500-1,000 demonstraties. De meerwaarde van nieuwe taaktypen blijft daarentegen hoog tot duizenden verschillende taken. EVST houdt hier rekening mee bij het structureren van dataverzamelingscellen voor pilotstudies, waarbij de nadruk ligt op taakbreedte in plaats van het herhaaldelijk verzamelen van episodes.

Overwegingen met betrekking tot industriële data

Het verzamelen van fabrieksgegevens stelt eisen waaraan teleoperatie-opstellingen in de academische wereld doorgaans niet voldoen.

Deterministische logging is de eerste vereiste. In een productiecel moet de tijdstempel op een gewrichtsencoderuitlezing traceerbaar zijn naar een klokreferentie met een nauwkeurigheid van minder dan een milliseconde. EtherCAT 1 kHz veldbusbesturing, standaard op industriële robots (waaronder die in het assortiment van EVST), biedt de deterministische timingbasis die synchronisatie van meerdere sensoren mogelijk maakt. Een systeem dat op 1 kHz werkt, genereert 1,000 gewrichtstoestandmonsters per seconde per as; het synchroniseren van die stroom met camerabeelden van 30-60 fps en kracht-koppelgegevens van 500 Hz vereist een gedisciplineerde hardwarematige tijdstempelarchitectuur, geen softwarematige buffering.

Veiligheidslabels zijn vereist wanneer incidenten bijna-ongelukken, noodstopactivering of overschrijding van krachtlimieten omvatten. Deze labels zijn noodzakelijk voor zowel de naleving van regelgeving als voor trainingsbeleid dat inzicht geeft in veiligheidsrelevante situaties. Industriële controllers die noodstopoorzaken en overschrijdingen van koppelwaarden op hardwareniveau registreren, maken deze labeling eenvoudig uitvoerbaar.

De annotatie van de cyclustijd koppelt robotepisodes aan productieresultaten. De wetenschap dat episode 4,712 de assemblagetaak in 8.3 seconden voltooide zonder kwaliteitsfouten, koppelt de leerdata van de robot aan het MES-systeem en maakt het mogelijk om demonstraties van hoge kwaliteit te selecteren voor training.

MES-gekoppelde metadata vormt de brug. Wanneer het dataloggingsysteem van een robot episodebestanden schrijft met MES-taak-ID's, onderdeeltypen en kwaliteitsresultaten, kan de resulterende dataset programmatisch worden gefilterd. Episodes die verband houden met herwerk, afval of handmatige bediening door de operator kunnen worden uitgesloten of als voorbeelden van mislukkingen worden beschouwd.

In de praktijk is bij het achteraf inrichten van een pilotcel voor data-acquisitie de meest voorkomende bottleneck niet de logcapaciteit van de robot, maar de netwerkarchitectuur van de cel. Industriële ethernetsegmenten die ontworpen zijn voor PLC-naar-robotcommunicatie met snelheden onder de kHz zijn niet altijd geschikt voor de bandbreedte van continue videostreams van meerdere camera's plus proprioceptiegegevens. Een cel met twee 1080p-camera's op 30 fps, plus zesassige krachtgegevens en gewrichtstoestanden genereert ruwweg 150-300 MB aan ruwe episodegegevens per minuut. Door de opslag- en netwerkinfrastructuur vóór de implementatie te plannen, worden latere aanpassingskosten vermeden.

Het labelen van pijpleidingen en gereedschap

Ruwe opnames van afleveringen zijn niet geschikt voor training. Ze hebben taalannotaties, objectsegmentatiemaskers en in sommige gevallen beloningslabels nodig.

Taalannotatie

Taalgebaseerde VLA-modellen hebben een beschrijving in natuurlijke taal nodig van de taak van elke aflevering. Voor kleine datasets gebeurt dit handmatig; voor datasets van meer dan 10,000 afleveringen is automatische annotatie met behulp van visie-taalmodellen (GPT-4V, Gemini of gespecialiseerde ondertitelingsmodellen) noodzakelijk. Kwaliteitscontrole vereist een handmatige beoordeling van een steekproef om systematische fouten in de automatische annotator op te sporen.

Objectsegmentatie en -tracking

Beleidsregels die redeneren over de objectstatus profiteren van segmentatiemaskers per aflevering die de gemanipuleerde objecten identificeren. Het Segment Anything Model (SAM 2) van Meta maakt interactieve segmentatie haalbaar op datasetschaal, waardoor de annotatietijd per aflevering wordt teruggebracht van uren naar minuten wanneer het wordt gecombineerd met een tracking-propagatiestap.

Beloningsvorming voor RLHF

Wanneer afleveringen zowel succesvolle als mislukte demonstraties bevatten, maakt beloningslabeling het mogelijk om reinforcement learning op basis van menselijke feedback (RLHF) te verfijnen. Menselijke annotatoren rangschikken de uitkomsten van de afleveringen, en die voorkeuren trainen een beloningsmodel dat beleidsupdates vormgeeft. Deze pipeline wordt gebruikt in de pi0-ontwikkeling van Physical Intelligence en wordt onderzocht voor het trainen van industriële taken waar binaire succes/mislukking-labels al beschikbaar zijn vanuit MES.

Privacy, intellectueel eigendom en licenties voor datasets

Bijdragen aan open datasets roepen vragen op over intellectueel eigendom die industriële OEM's moeten oplossen voordat ze kunnen deelnemen.

De belangrijkste licentiecategorieën die worden gebruikt zijn CC-BY (naamsvermelding vereist, commercieel gebruik toegestaan), CC-BY-NC (uitsluitend niet-commercieel) en Apache 2.0 (permissief, inclusief commercieel gebruik en herverdeling van modelgewichten). Eigen datasets (Tesla Optimus, Figure's vlootgegevens, Boston Dynamics) worden niet extern gedeeld.

Voor OEM's in de fabrieksindustrie is de grootste zorg de blootstelling van procesinformatie: een fragment waarin een specifieke malconfiguratie, gereedschapspad of opspaninrichting wordt getoond, kan bedrijfseigen productiemethoden onthullen. De standaardoplossing is om de visuele context te beperken tot het niveau van de eindeffector, alleen gewrichtstrajecten aan te leveren (geen camerabeelden) of synthetische weergaven van het manipulatietraject te gebruiken tegen een generieke achtergrond. Verschillende opkomende consortiummodellen bieden juridische kaders voor het aanleveren van geanonimiseerde industriële data onder wederzijdse geheimhoudingsovereenkomsten in combinatie met Apache 2.0-datalicenties.

Volgens een analyse van Stanford CRFM en samenwerkende onderzoekers in het onderzoek naar robotleren uit 2024, vormen eigen datasilo's de grootste structurele belemmering voor de vooruitgang van geïntegreerde AI voorbij de huidige normen. Industriële OEM's die nu interne raamwerken voor databeheer ontwikkelen, zullen beter in staat zijn om deel te nemen aan datasetconsortia zodra deze programma's de komende 18-24 maanden geformaliseerd worden.

Hoe OEM-fabrikanten in de auto-industrie gegevens kunnen aanleveren

Leveranciers van industriële automatiseringsoplossingen (waaronder FANUC, ABB, KUKA en gecertificeerde turnkey-integrators zoals EVST) bevinden zich op het snijvlak van robothardware en daadwerkelijke productieomgevingen. Die positie maakt hen bij uitstek geschikt om bij te dragen aan het ecosysteem van geïntegreerde AI-data, mits het operationele en wettelijke kader aanwezig is.

Pilotcellen met teleoperatie-overlay

De meest toegankelijke instapmogelijkheid is een pilotcel waar de productierobot is uitgerust met een teleoperatie-overlay: een volgarm die een operator gebruikt om variaties op de productietaak te demonstreren. Deze demonstraties worden in kleine aantallen (50-500 afleveringen) verzameld en zijn voldoende om een ​​vooraf getraind VLA-model te verfijnen voor de specifieke productietaak. De pilotcel-aanpak vereist geen wijzigingen in de veiligheidscertificering van de productiecel, omdat het teleoperatiesysteem functioneert als een invoerapparaat voor de robotcontroller en niet als een parallel besturingspad.

Logboekregistratie achteraf inbouwen op productierobots

Bestaande productierobots kunnen achteraf worden uitgerust met lichtgewicht logmodules die de gewrichtsstatus, de positie van de eindeffector en de grijpkracht registreren met EtherCAT-snelheden. Tijdens productieruns worden tijdgestempelde episodebestanden naar een edge-server geschreven. Dit vereist geen wijziging van het besturingsprogramma van de robot. De geregistreerde gegevens leggen het werkelijke manipulatiegedrag tijdens de productie vast, wat een betere weergave is van de taak dan demonstraties in een laboratorium. De industriële controllers van EVST, die werken met EtherCAT-cyclustijden van 1 kHz en gecertificeerd zijn volgens CE/SGS/TÜV-normen, bieden de deterministische timingarchitectuur waarop deze logmethode is gebaseerd. De gegevens kunnen worden opgeschoond, geanonimiseerd en geformatteerd voor standaard robotleerframeworks zonder kostbare herintegratiewerkzaamheden.

Deelname aan het programma voor geanonimiseerde datasets

Opkomende OEM-datasetprogramma's (waaronder het open bijdrageprogramma van AgiBot World en diverse consortiumbesprekingen op ICRA 2025) accepteren geanonimiseerde industriële manipulatiegegevens. OEM's met IATF16949-certificering, zoals EVST, beschikken over bestaande kwaliteitsmanagementprocessen die goed aansluiten op de eisen voor metadata-integriteit die deze programma's stellen: traceerbare tijdstempels, gedocumenteerde verzamelprotocollen en gevalideerde sensorkalibratiegegevens.

Wereldwijde velddekking als data-voordeel

Een OEM met veldtechnici in meer dan 100 landen kan trainingsdata voor AI verzamelen uit zeer diverse productieomgevingen (verschillende werkstukgeometrieën, omgevingsomstandigheden, demografische gegevens van operators en procesvariaties). Deze geografische diversiteit is waardevol omdat beleidsmaatregelen die hierop zijn getraind, beter generaliseren dan beleidsmaatregelen die zijn getraind op data uit één enkel laboratorium of fabriek. De explosieveilige gecertificeerde robots van EVST en het complete assortiment van 3 tot 800 kg betekenen dat dataverzameling kan worden uitgebreid naar omgevingen zoals chemische processen, de verwerking van gevaarlijke materialen en productie bij extreme temperaturen, die de meeste academische datasets helemaal niet omvatten.

Belangrijke branchegegevens

Volgens het World Robotics 2024-rapport van de International Federation of Robotics (IFR) waren er in 2023 wereldwijd meer dan 3.9 miljoen industriële robots in gebruik. De grootste open datasets over robotmanipulatie bevatten echter minder dan 2 miljoen episodes, wat de kloof tussen de ingezette hardware en de beschikbare trainingsdata illustreert. EVST pakt dit probleem aan door te onderzoeken hoe retrofit-loggingarchitecturen productierobots kunnen omzetten in passieve dataverzamelingssystemen.

Volgens het Open X-Embodiment-artikel (Padalkar et al., Google DeepMind et al., 2023) lieten modellen die getraind waren op data van meer dan 22 verschillende robottypen een meetbaar betere generalisatie zien op aparte taken dan modellen die alleen getraind waren op data van één enkele vorm van robot. EVST pakt dit aan door zijn interne data-evaluatiekader zo in te richten dat de diversiteit van de vormen van robots, naast het aantal episodes, wordt meegewogen bij het beoordelen van de bruikbaarheid van de dataset voor de finetuning-evaluaties van de productielijn.

Volgens observaties van diverse robotleerlaboratoria in 2024-2025 is de kloof tussen visuele simulatie en realiteit verantwoordelijk voor de meeste gevallen van beleidsfalen bij manipulatietaken met spiegelende of transparante objecten, die standaard domeinrandomisatietechnieken niet betrouwbaar dekken. EVST pakt dit aan door fotorealistische simulatietools (met name NVIDIA Cosmos en Gaussian Splatting pipelines) te monitoren als potentiële augmentatielagen voor de roadmap voor AI-verbeterde bewegingsplanning.

Gerelateerde gidsen

• Geïntegreerde AI en VLA-modellen in industriële robotica: wat fabrieksingenieurs moeten wetenDit hoofdstuk behandelt de architectuur van visie-taal-actiemodellen en de beperkingen die gelden voor de implementatie ervan op productiehardware.
• Mensachtige robots in de industriële productie in 2026Onderzoekt welke taken daadwerkelijk kunnen worden uitgevoerd door humanoïde platforms in vergelijking met conventionele industriële armen.
• Mensachtige robots versus industriële robotarmen voor fabrieksgebruik in 2026Een directe vergelijking van de mogelijkheden, kosten en integratiecomplexiteit tussen de twee vormfactoren.
• Complete gids voor cobots: typen, selectie en toepassingen in 2026De basisreferentie voor de selectie van collaboratieve robots op basis van laadvermogen, toepassing en omgevingsvereisten.

Veelgestelde Vragen / FAQ

Waarom is het verzamelen van data voor belichaamde AI moeilijker dan het verzamelen van data voor taalmodellen?

Taalmodellen worden getraind op tekst die al op enorme schaal op internet beschikbaar is. Kunstmatige intelligentie (AI) in robots moet actie-gerelateerde sensorimotorische data verzamelen: gesynchroniseerde gewrichtshoeken, grijpkrachten, camerabeelden en taakcontext, allemaal vastgelegd tijdens fysieke manipulatie. Deze data is niet beschikbaar op webschaal en is kostbaar om te genereren. Elke teleoperatie vereist doorgaans 1 tot 10 minuten van een ervaren operator om één trainingstraject te produceren, en de kwaliteit neemt af als de operator niet bekend is met de dynamiek van de robot.

Wat is het verschil tussen simulatie-naar-werkelijkheidsoverdracht en domeinrandomisatie bij robottraining?

Simulatie-naar-werkelijkheid-overdracht is het overkoepelende doel: een beleid trainen in een simulatie en dit implementeren op een fysieke robot zonder prestatieverlies. Domeinrandomisatie is één techniek om dit doel te bereiken. Hierbij worden simulatieparameters – belichting, texturen, wrijvingscoëfficiënten, objectmassa's – willekeurig gevarieerd tijdens de training, zodat het beleid leert omgaan met variaties in de echte wereld in plaats van te overfitten op één enkele gesimuleerde weergave. Andere methoden zijn onder meer domeinadaptatie, fotorealistische rendering (zoals in NVIDIA Cosmos) en systeemidentificatie.

Wat is Open X-Embodiment en voor welke robottypen is het bedoeld?

Open X-Embodiment is een grootschalige, open dataset voor robotleren, samengesteld door Google DeepMind met medewerking van 33 onderzoeksinstellingen. De dataset bevat meer dan 1 miljoen robotepisodes voor meer dan 22 verschillende robotvormen: manipulatoren met één arm, bimanuele systemen, mobiele bases en behendige handen. De RT-X-modellen die op OXE zijn getraind, hebben aangetoond dat training met meerdere robotvormen de generalisatie van het beleid verbetert in vergelijking met training met slechts één robotvorm.

Hoe kan een OEM-fabrikant robotgegevens aanleveren voor de training van geïntegreerde AI zonder bedrijfseigen proces-IP openbaar te maken?

De meest praktische aanpak is het aanleveren van geanonimiseerde episodes: verwijder procesidentificerende metadata (onderdeelnummers, klantreferenties, cyclustijddoelen) en lever alleen gegevens over gewrichtstrajecten en grijperstatus aan. Verschillende datasetprogramma's – waaronder AgiBot World en opkomende OEM-consortia – accepteren geanonimiseerde industriële manipulatiegegevens onder de voorwaarden van Apache 2.0 of CC-BY. Loginfrastructuur met deterministische EtherCAT-tijdstempels zorgt ervoor dat de kwaliteit van de episodes voldoet aan de normen voor datasetinname.

Welk teleoperatie-dataverzamelingssysteem werkt het beste voor industriële manipulatietaken?

Voor industriële manipulatie zijn de belangrijkste opties ALOHA 2 (bimanuele volgarmen, goedkoop, open-source), UMI (polsgemonteerd, losgekoppeld van de robot, zeer draagbaar) en exoskeletgebaseerde capture voor taken met een hogere belasting of volledige lichaamsbeweging. VR-systemen met Apple Vision Pro of Meta Quest 3 winnen aan populariteit voor intuïtieve bimanuele capture, maar vereisen retargeting-pipelines om de kinematica van de menselijke hand te vertalen naar de gewrichtsruimte van de robot. De juiste keuze hangt af van de bewegingsvrijheid van de robot, de belasting en of de taak twee handen vereist.

Laatste update: april 23, 2026

Klik op Geïntegreerde AI-oplossingen →