Laatst bijgewerkt: juni 12, 2026

Geïntegreerde AI in industriële robotica: hoe visie-taal-actiemodellen robotprogrammering veranderen

Geïntegreerde AI verwijst naar machine-intelligentie die zijn omgeving waarneemt via sensoren, redeneert over wat hij ziet en fysieke acties genereert, allemaal binnen één uniform model. In fabrieksrobots is dit belangrijk omdat een vision-language-action (VLA)-model een verbale instructie kan interpreteren, een onbekend onderdeel kan identificeren en een manipulatiesequentie kan uitvoeren zonder regel-voor-regel programmering. In 2026 zijn verschillende onderzoeksplatformen overgegaan van laboratoriumdemonstraties naar vroege industriële pilots, waardoor de manier waarop ingenieurs over flexibele automatisering denken, verandert. Voor de productgerichte aanpak van EVST op het gebied van humanoïde robots, behendige handen, vierpotige robots en dataverzameling met geïntegreerde AI, zie EVST Embodied AI Solutions.

Laatst bijgewerkt: juni 12, 2026

-

De evolutie van robotprogrammering: van teach pendant tot foundation-modellen

De programmering van fabrieksrobots heeft vier herkenbare generaties doorlopen, waarbij elke generatie een andere beperking afwoog tegen een andere mogelijkheid.

De eerste generatie werkte met een teach pendant. Een engineer stuurde de robot as voor as naar elk waypoint, registreerde de posities en verwerkte deze tot een bewegingsprogramma dat op de controller werd opgeslagen. Het aanpassen van een pad na een productiewissel betekende dat elk waypoint handmatig opnieuw moest worden ingeleerd. Voor grootschalige productie met een vaste geometrie (bijvoorbeeld het lassen van carrosserieën) werkte deze aanpak goed. Voor alles wat frequente productwisselingen vereiste, was het echter kostbaar.

Offline programmeertools (OLP) zoals RoboDK, KUKA.Sim en ABB RobotStudio verschenen in de jaren negentig en stelden engineers in staat robotpaden te definiëren in een 3D CAD-omgeving en de code achteraf te bewerken voor verschillende controllermerken. De insteltijd daalde van dagen naar uren en padoptimalisatie werd mogelijk vóór de eerste fysieke cyclus. De kloof tussen het gesimuleerde model en de fysieke installatie (kalibratiefouten, kabeldoorbuiging, toleranties van de opspaninrichting) bleef een hardnekkig probleem, maar OLP is nog steeds de standaardaanpak voor de meeste productiecellen.

Vaardigheidsbibliotheken ontstonden als de derde golf. Leveranciers en integratoren boden herbruikbare bewegingsprimitieven aan, zoals een vaardigheid voor het oppakken van onderdelen uit een bak, een vaardigheid voor het inbrengen van pinnen in gaten en een vaardigheid voor het lassen van naden. Deze vaardigheid kon worden geconfigureerd met parameters in plaats van volledig opnieuw te worden geprogrammeerd. Visueel gestuurd oppakken van onderdelen uit een bak, bijvoorbeeld, veranderde van een maandenlang maatwerkproject in een configureerbare module. Toch moest elke vaardigheid expliciet worden ontwikkeld en waren vaardigheden niet generaliseerbaar: een vaardigheid voor het oppakken van onderdelen uit een bak, getraind op een bepaalde onderdeelgeometrie, zou falen op een aanzienlijk andere onderdeelvorm.

VLA-modellen vertegenwoordigen de vierde golf. In plaats van gedrag te coderen als expliciete waypoints of geparametriseerde primitieven, leren VLA-modellen uit grote datasets van robotdemonstraties en algemene visuele data hoe ze paren (afbeelding, taalinstructie) rechtstreeks kunnen koppelen aan outputs (robotactie). Het model generaliseert over objecten, lichtomstandigheden en instructieformuleringen op een manier die vaardigheidsbibliotheken niet kunnen, omdat de generalisatie is ingebouwd in de gewichten in plaats van handmatig gecodeerd.

Het verschil in determinisme is van belang in industriële omgevingen. Een teach-pendant-programma voert exact hetzelfde pad uit in elke cyclus; een VLA-model bemonstert een actieverdeling bij elke inferentiestap. Voor taken waarbij variatie van cyclus tot cyclus acceptabel is (het selecteren van willekeurig gerangschikte items), is dit beheersbaar. Voor taken waarbij herhaalbaarheid tot op de millimeter nauwkeurig vereist is over duizenden cycli, behouden klassieke methoden een structureel voordeel dat VLA-ontwikkelaars actief proberen te overbruggen.

-

Wat VLA-modellen zijn: architectuur in begrijpelijke taal.

Een visie-taal-actiemodel is een neuraal netwerk dat visuele waarnemingen en instructies in natuurlijke taal als input gebruikt en robotacties als output produceert. Het is één geïntegreerd model, in plaats van een reeks afzonderlijke modules voor visie, planning en besturing.

De drie architectonische componenten zijn:

Beeldcoder. Een vooraf getrainde Vision Transformer (ViT) of convolutionele backbone verwerkt camerabeelden en codeert deze in dichte feature-representaties. In de meeste huidige VLA-ontwerpen wordt deze encoder geïnitialiseerd vanuit een groot vision-language model (VLM) en vervolgens verfijnd met robotdata. Het gebruik van een vooraf getrainde backbone is belangrijk omdat het model hierdoor algemene visuele priors krijgt, waardoor het begrijpt wat een doos is en hoe een handvat eruitziet, nog voordat het een robotdemonstratie te zien krijgt.

Taalencoder. Een teksttransformator codeert de instructie ("pak het rode blok en plaats het in de bak aan de linkerkant") in een reeks tokens die vervolgens wordt gekoppeld aan de visuele kenmerken. Koppelen aan de visuele informatie betekent hier dat het model kan kijken naar welke delen van de afbeelding het meest relevant zijn, gezien de instructie. Het verwerkt beeld en taal niet los van elkaar.

Actiekop. De gecombineerde representatie wordt gedecodeerd in robotacties. Acties kunnen worden weergegeven als delta's van de eindeffector (beweeg de grijper 2 cm naar rechts, sluit de grijper), gewrichtshoeken of getokeniseerde actieblokken. Het tokeniseren van acties, waarbij een discrete actiebin als een taaltoken wordt behandeld, maakte het in de beginfase van VLA-onderzoek mogelijk om bestaande LLM-architecturen voor robotica te verfijnen zonder een volledig nieuwe actiedecoder te hoeven ontwikkelen. Recentere ontwerpen maken gebruik van op diffusie gebaseerde actiekoppen die vloeiendere, meer continue trajecten produceren en beter omgaan met multimodale actieverdelingen dan pure tokenclassificatie.

De training is in de basis gebaseerd op gedragsklonen: het model wordt getraind om demonstraties van experts na te bootsen via supervised learning op (observatie, actie) paren. Sommige systemen voegen versterkingsleren op basis van menselijke feedback (RLHF) of online RL in simulatie toe om de robuustheid te verbeteren, verder dan wat imitatie alleen kan bereiken. De kloof tussen simulatie en realiteit, de prestatiedaling wanneer een in simulatie getraind beleid wordt overgedragen naar een fysieke robot, blijft een van de meest actieve onderzoeksproblemen. Domeinrandomisatie (het willekeurig variëren van texturen, belichting, objectposities en fysica-parameters tijdens de simulatietraining) is de meest gebruikte techniek om dit probleem te verhelpen.

-

Belangrijke onderzoeksmijlpalen

Het VLA-veld heeft zich snel ontwikkeld. De volgende tabel toont de platforms die begin 2026 het meest worden genoemd in discussies over industriële robotica.

Enkele mijlpalen verdienen nadere aandacht van ingenieurs die de industriële toepasbaarheid beoordelen.

RT-2, beschreven in het artikel uit 2023 "RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control" (Brohan et al., Google DeepMind), toonde aan dat een model dat was geïnitialiseerd vanuit een vooraf getraind visie-taalmodel (PaLI-X, PaLM-E) in staat was tot emergent redeneren. Het model kon taken uitvoeren waarvoor het nooit expliciet was getraind, door concepten uit web-schaaltraining te combineren. Het artikel liet zien dat de schaal van het model correleerde met generalisatievermogen, wat de interesse van de industrie in het gebruik van grote basismodellen als robotbeleidsbasis versnelde.

OpenVLA (Kim et al., 2024) bood een volledig open alternatief met 7 miljard parameters, gebaseerd op Prismatic VLM. Het model presteerde concurrerend met RT-2, maar tegen een fractie van de rekenkosten, en stelde academische en industriële onderzoekers in staat om het model te finetunen op basis van aangepaste taakgegevens. Volgens het OpenVLA-artikel (arxiv:2406.09246) presteerde OpenVLA na finetuning beter dan RT-2-7B op 73% van de BridgeV2-evaluatietaken.

De NVIDIA GR00T N1, aangekondigd op GTC 2025, is een humanoïde basismodel dat is getraind op een combinatie van teleoperatiegegevens, videogegevens en synthetische gegevens van NVIDIA Cosmos en Isaac Lab. NVIDIA heeft de gewichten van de GR00T N1 openbaar gemaakt, waardoor het een van de eerste basismodellen voor humanoïde robots is die beschikbaar is voor externe fine-tuning. De bijbehorende Isaac GR00T Sim2Real-pipeline verbindt simulatietraining met fysieke implementatie via domeinrandomisatie in Isaac Lab.

De π0 van Physical Intelligence gebruikt een actie-decoder die de stroom van de invoer afstemt in plaats van discrete tokenclassificatie. Dit resulteert in vloeiendere trajecten en maakt het mogelijk om taken met meerdere fasen, zoals het vouwen van kledingstukken of het assembleren van objecten met meerdere opeenvolgende stappen, af te handelen. De architectuur combineert een vooraf getraind VLM-framework met een diffusie-achtige actiedecoder die is geconditioneerd op taal- en visuele tokens.

Figure AI's Helix, ingezet op de Figure 02 humanoïde robot, hanteert een tweemodelbenadering: een VLM op hoog niveau verzorgt de scèneherkenning en het parseren van instructies, terwijl een sensorimotorisch model op laag niveau motorische commando's uitvoert met de juiste frequentie. Het systeem demonstreerde in 2025 in de BMW-fabriek in Spartanburg realtime bimanuele manipulatie, waarbij items in categorieën werden gesorteerd op basis van gesproken instructies.

De FSD-naar-Optimus-pipeline van Tesla is het vermelden waard als een grootschalige strategie om een ​​datavoordeel te behalen. De bestaande vloot van Tesla genereert miljarden kilometers aan visuele data uit de praktijk voor FSD. De interne hypothese is dat de representaties van bezettingsnetwerken en de videovoorspellingsarchitecturen die zijn ontwikkeld voor autonoom rijden, kunnen worden overgedragen naar het leerproces van de Optimus-robot, hoewel er nog weinig openbare technische details beschikbaar zijn.

-

Gereedheid voor industriële toepassingen

Niet alle fabriekstaken lenen zich even goed voor VLA-benaderingen. De belangrijkste variabelen zijn: tolerantie-eisen, productvariëteit, de kosten van een storing en of er voldoende demonstratiegegevens verzameld kunnen worden voor de betreffende taak.

Het verzamelen van artikelen uit bakken en het verwerken van gemengde SKU's. zijn de beste oplossingen voor de korte termijn. De posities van de objecten zijn willekeurig, de soorten onderdelen variëren en de kosten van een gemiste pick of een kleine drop zijn laag. Covariant's RFM-1 is ingezet in e-commerce fulfilmentcentra voor precies deze taak. Volgens branche-observaties wordt het picken van gemengde SKU's met klassieke 3D-visie doorgaans per SKU-type geconfigureerd, waarbij een omschakeling urenlange herkalibratie vereist. Een generalistisch model kan nieuwe artikelen verwerken zonder configuratie per artikel, wat een reële economische waarde heeft bij de omschakelingsfrequentie die gebruikelijk is in de detailhandel.

Flexibele montage Dit is een meer betwist gebied. Montagetaken vereisen vaak een inbrengprecisie van minder dan een millimeter en een consistente krachtuitoefening. Dit zijn gebieden waar het stochastische karakter van de huidige VLA-actiebemonstering variatie creëert die de procestoleranties kan overschrijden. Vroege pilotprojecten richten zich op montagestappen met ruimere toleranties (kabelgeleiding, kliksluitingen) terwijl de deterministische beweging voor inbrengingen met nauwe toleranties behouden blijft.

Kwaliteitsinspectie Dit probleem is gedeeltelijk opgelost met bestaande 2D/3D-visiesystemen, maar wordt opnieuw bekeken met VLA-achtige architecturen, omdat taalgestuurde modellen kunnen worden omgeleid om te zoeken naar verschillende soorten defecten door middel van instructiewijzigingen, in plaats van een specifieke classificator opnieuw te trainen.

Omstelreductie Dit is de belangrijkste waardepropositie. Een productielijn die 50 SKU's per shift verwerkt, elk met verschillende pickpunten en plaatsingsdoelen, vereist momenteel ofwel dedicated robots per SKU, ofwel tijdrovende herprogrammering. Een VLA-compatibele cel zou theoretisch kunnen worden omgeleid door de taalinstructie aan te passen. In de praktijk vereisen de huidige modellen echter finetuning op taakspecifieke demonstraties, zelfs wanneer een sterke, vooraf getrainde basis wordt gebruikt. Generalisatie zonder voorafgaande training naar industriële precisietaken blijft zeldzaam.

In de praktijk, bij de evaluatie van VLA-piloten, zien we dat de ingenieurs die de snelste resultaten behalen, zich richten op taken met: (a) een grote variatie aan onderdelen, (b) ruime toleranties (>0.5 mm), (c) bestaande infrastructuur voor gegevensverzameling (teleoperatie-installaties of demonstratieopnames), en (d) de bereidheid om de VLA-component te beschouwen als een laag voor taakselectie en grove bewegingen, waarbij een klassieke controller de fijne correcties afhandelt.

-

VLA in 2026: Waar staan ​​productiepilots nu eigenlijk?

Halverwege 2026 blijft de kloof tussen een overtuigende VLA-demonstratie en een productie-implementatie het meest bepalende kenmerk van dit vakgebied. Het patroon bij industriële pilots is consistent: visueel gestuurde taken met een beperkte actieruimte, zoals het oppakken van producten uit bakken, het samenstellen van kits en inspectie, worden steeds vaker routinematig gebruikt, terwijl open manipulatie in een ongestructureerde cel nog steeds een onderzoeks- en pilotactiviteit is in plaats van een productierijpe functionaliteit.

Volgens observaties uit de industrie worden die grens bepaald door drie praktische beperkingen. Ten eerste, data: een VLA-beleid vereist nog steeds honderden taakspecifieke demonstraties met de daadwerkelijke onderdelen en gereedschappen waarmee het te maken krijgt, en die data is pas beschikbaar als iemand ze in de fabriek verzamelt. Ten tweede, validatie: een geleerd beleid dat in 95% van de gevallen succesvol is, is indrukwekkend in een laboratorium, maar onacceptabel op een productielijn die duizenden cycli per ploeg draait. De lat voor veiligheid en acceptatie ligt dus veel hoger dan demonstraties doen vermoeden. Ten derde, integratie: een model is pas bruikbaar als het is geïntegreerd in de celveiligheids-, opspan- en foutcorrectielogica die klassieke automatisering al biedt.

Voor een fabrikant betekent dit dat VLA moet worden gezien als een uitbreiding van een bestaande automatiseringsbasis, niet als een vervanging ervan. De meest rendabele eerste stap in 2026 is een productiegereed, door beeldherkenning gestuurd taak die ook bruikbare taakgegevens vastlegt, zodat de uiteindelijke overstap naar bredere, door VLA gestuurde flexibiliteit aansluit op uw eigen processen. Zie voor de operationele versie van deze volgorde. belichaamde AI versus traditionele industriële robots en, voor de vraag waar je als eerste naartoe moet vliegen, Geïntegreerde AI voor industriële fabrikanten: toepassingsvoorbeelden, rendement op investering (ROI) en pilotprojecten..

Gegevensvereisten: Waarom gegevens de bottleneck vormen

De drie belangrijkste gegevensbronnen voor VLA-training zijn demonstraties van teleoperatie, synthetische gegevens uit simulaties en internetvideo's.

Teleoperatiedemonstraties, waarbij een mens de robot bedient via een haptische interface of exoskelet terwijl het systeem de gewrichtstoestanden en camerabeelden registreert, vormen de meest hoogwaardige databron omdat ze de werkelijke robotdynamiek, interacties met objecten en sensorruis vastleggen. Ze zijn echter ook kostbaar: volgens observaties uit de industrie kost het verzamelen van een bruikbare demonstratiedataset voor een nieuwe manipulatietaak ongeveer 10 tot 100 uur operatortijd per taakvariant, inclusief operatorloon, robottijd en dataverwerking. Zowel Physical Intelligence als Figure AI hebben om precies deze reden grote interne teleoperatieteams opgezet.

Synthetische data gegenereerd in fysica-simulatoren (NVIDIA Isaac Lab, MuJoCo, SAPIEN) maakt parallelle dataverzameling op grote schaal mogelijk, waarbij honderden gesimuleerde robots tegelijkertijd data verzamelen. Dit probleem blijft echter bestaan, met name de kloof tussen simulatie en realiteit. Het visuele uiterlijk van gerenderde scènes verschilt van echte camerabeelden, en gesimuleerde contactfysica komt zelden overeen met wrijving, vervorming en slip in de echte wereld. Domeinrandomisatie dicht deze kloof gedeeltelijk door te trainen met willekeurige variaties in texturen, belichting, massa's en wrijvingscoëfficiënten, maar elimineert deze niet volledig. NVIDIA Cosmos, een wereldbasismodel dat tegelijk met GR00T is uitgebracht, is ontworpen om fysiek plausibele synthetische trainingsvideo's te genereren die fotorealistischer zijn dan traditionele rendering, en wordt momenteel geëvalueerd als een tool voor data-augmentatie.

Internetvideo's, de miljarden uren aan beelden van menselijke handelingen op YouTube en vergelijkbare platforms, vormen de databron die oorspronkelijk de motivatie vormde voor het gebruik van VLM-backbones voor robotica. Een model dat is getraind op webvideo's heeft waargenomen dat handen objecten oppakken, meubels in elkaar zetten, koken en gereedschap hanteren, ook al bevatten die video's geen labels voor robotacties. De hypothese is dat deze algemene kennis over manipulatie via fine-tuning wordt overgedragen naar robotbesturing. RT-2 was de duidelijkste demonstratie van deze hypothese op grote schaal.

Volgens het World Robotics Report 2025 van de International Federation of Robotics (IFR) bereikten de wereldwijde installaties van industriële robots in 2024 een nieuw record met meer dan 590,000 eenheden. EVST speelt in op de vraag naar grootschalige industriële implementaties met zijn complete portfolio aan payloads, van 3 kg XR-serie cobots tot 800 kg QJAR-robotarmen voor de zware industrie. Dit biedt integrators een hardwareplatform dat zowel klassieke deterministische controllers als, naarmate deze zich verder ontwikkelen, VLA-gegenereerde bewegingsdoelen kan aansturen in diverse productieomgevingen.

-

Hardware-implicaties

Het uitvoeren van VLA-inferentie in een productieomgeving stelt aanzienlijk andere hardwarevereisten dan klassieke robotcontrollers.

Een typische industriële robotcontroller voert een 1 kHz-besturingslus in de gewrichtsruimte uit op een deterministisch realtime besturingssysteem. Het rekenbudget is beperkt en de timing is strikt realtime. VLA-inferentie daarentegen draait op een GPU: een RT-2-model (55 miljard parameters) vereist meerdere high-end GPU's en produceert acties met een inferentiefrequentie van 1-3 Hz. Een model met 7 miljard parameters, zoals OpenVLA, kan op een enkele consumenten-GPU draaien met een frequentie van 6-10 Hz. Voor veel manipulatietaken is een actie-output van 10 Hz voldoende; voor snelle assemblage of dynamische vangacties is dit echter niet het geval.

De architectuur waar de meeste teams naar streven, is een hiërarchie met twee niveaus: het VLA-model draait op een GPU-rekenknooppunt (aan boord van een AGV, een robotbasis of een nabijgelegen edge-server) en genereert actiedoelen op hoog niveau met een frequentie van 5-15 Hz. Een conventionele realtime co-processor, de bestaande gewrichtscontroller van de robot, interpoleert deze doelen met een frequentie van 1 kHz en handhaaft koppelbeperkingen, botsingspreventie en gewrichtsruimtebeperkingen. Deze scheiding behoudt determinisme en veiligheid op de besturingslaag, terwijl de VLA-laag de perceptie en redenering op taakniveau kan afhandelen.

Ook de sensorvereisten veranderen. VLA-modellen gebruiken voornamelijk RGB-camerabeelden en het meeste huidige onderzoek maakt gebruik van één of twee pols- en basiscamera's. Dieptesensoren verbeteren de nauwkeurigheid van de manipulatie, vooral in drukke omgevingen, maar de dieptegegevens moeten worden geprojecteerd in de beeldruimte die het model begrijpt. Voor industriële toepassingen moeten camera's voldoen aan de beschermingsnormen voor de gebruiksomgeving: minimaal IP65 voor algemene productieomgevingen en IP68 voor zones met waterreiniging of explosiegevaarlijke omgevingen.

-

De simulatorzijde

Simulatie is waar de meeste VLA-ontwikkeling plaatsvindt voordat er fysieke hardware bij betrokken is. Vier simulatoren domineren momenteel het onderzoekslandschap.

NVIDIA Isaac Lab (gebouwd op Isaac Sim, dat zelf weer gebaseerd is op USD en PhysX) is geoptimaliseerd voor grootschalige parallelle training op NVIDIA GPU's. Duizenden gesimuleerde omgevingen kunnen gelijktijdig op één DGX-node draaien, waardoor het mogelijk is om miljoenen demonstratietrajecten in dagen in plaats van maanden te verzamelen. Isaac Lab is de primaire trainingsomgeving voor GR00T.

MuJoCo (nu open-source en onderhouden door DeepMind) wordt het meest gebruikt in de academische wereld. De contactsolver is goed gevalideerd voor robotmanipulatietaken en benchmarks zoals RoboSuite en Adroit maken er gebruik van. De meeste gepubliceerde VLA-artikelen rapporteren resultaten op basis van MuJoCo-benchmarks, waardoor het de de facto vergelijkingsstandaard is geworden.

NVIDIA Cosmos is een nieuw model voor het creëren van virtuele werelden dat fysiek plausibele video's genereert op basis van tekst- of beeldprompts. In plaats van een traditionele simulator wordt het onderzocht als een tool voor het genereren van synthetische data, waarmee trainingsvideo's kunnen worden gemaakt die scenario's voor robotmanipulatie laten zien. Dergelijke scenario's zouden kostbaar zijn om fysiek te verzamelen of met klassieke grafische methoden weer te geven.

SAPIEN, ontwikkeld aan de UC San Diego, is bijzonder sterk in het manipuleren van objecten met beweegbare ledematen: het openen van laden, het draaien van kranen en het bedienen van apparaten. De dataset met beweegbare objecten (PartNet-Mobility) wordt veelvuldig gebruikt voor het trainen en evalueren van manipulatiestrategieën voor taken waarbij de mogelijkheden van objecten een rol spelen.

-

Wanneer moet je VLA testen en wanneer blijf je bij klassieke programmering?

Dit is de praktische vraag waar de meeste productie-ingenieurs in 2026 mee worstelen. Het eerlijke antwoord is dat VLA-benaderingen nog niet de juiste keuze zijn voor de meeste productieomgevingen, maar er zijn specifieke scenario's waarin een pilotproject gerechtvaardigd is.

Overweeg een VLA-piloot in de volgende gevallen:

• De productvariëteit is groot (>20 verschillende SKU's) en de omstelfrequentie is hoger dan wekelijks.
• De tolerantie-eisen zijn ruim (een positioneringsnauwkeurigheid van >0.5 mm is acceptabel).
• De taak omvat ongestructureerde of willekeurig gerangschikte invoer (bijvoorbeeld willekeurige inhoud van een bak).
• De handeling omvat instructies op taalniveau die kunnen veranderen (selecteren op kleur, categorie of label).
• Er is bereidheid om een ​​dataverzamelingsfase in te richten (teleoperatie-opstelling, 50-200 uur aan demonstraties).
• De kosten van incidentele storingen zijn laag en het systeem kan menselijke correcties tijdens de lus verdragen.

Blijf bij klassieke programmering wanneer:

• De toepassing betreft vaste geometrie, grote volumes en lange series (lassen van carrosserieën, bediening van stempelpersen).
• De tolerantie-eisen zijn zeer streng (<0.1 mm) en moeten bij elke cyclus gegarandeerd worden.
• De controlleromgeving is veiligheidsgecertificeerd volgens IEC 62061 of ISO 13849 en het toevoegen van een GPU-inferentielaag is niet haalbaar.
• Auditsporen en deterministische uitvoeringslogboeken zijn vereist voor kwaliteitscertificeringen (IATF16949, processen die verwant zijn aan IATF16949).
• Er bestaat geen infrastructuur voor gegevensverzameling en er is geen budget om die op te bouwen.

Een praktische hybride strategie, die door verschillende early adopters wordt toegepast, is het gebruik van VLA voor taakselectie en het genereren van grove bewegingen, terwijl een klassieke controller wordt ingezet voor de uitvoering van fijne bewegingen en krachtregeling. De VLA bepaalt wat er moet gebeuren en waar het systeem grofweg naartoe moet; de klassieke laag verzorgt de precisie en de veiligheidskritische aansturing.

EVST, een turnkey-integratieleverancier van industriële robotarmen met een laadvermogen van 3 tot 800 kg, evalueert actief VLA-pipelines voor specifieke toepassingssegmenten, met name het oppakken van producten uit bakken met een hoge productvariatie en flexibele assemblage, waar het argument van flexibiliteit het sterkst is. De aanpak van EVST beschouwt VLA-inferentie als een perceptie- en planningslaag boven de deterministische gewrichtscontroller, waardoor de industriële bewegingsbesturing behouden blijft die CE/SGS/TÜV-gecertificeerde systemen vereisen. Voor extreme temperatuuromgevingen (-30°C tot 80°C) en explosieveilige ATEX/IECEx-gecertificeerde cellen blijven klassieke controllers op dit moment de enige gevalideerde aanpak.

-

Uitdagingen op het gebied van veiligheid en validatie

Industriële robots die werken volgens ISO 10218-1 (robotontwerp) en ISO 10218-2 (systeemintegratie) moeten deterministisch en controleerbaar veiligheidsgedrag vertonen. Toepassingen met collaboratieve robots vereisen bovendien een risicobeoordeling volgens ISO/TS 15066, waarin biomechanische limieten voor contactkracht en -druk per lichaamsregio zijn gespecificeerd.

VLA-modellen introduceren validatie-uitdagingen waarvoor deze normen niet zijn ontworpen. Een neuraal netwerkbeleid heeft geen afgebakende, opsombare reeks gedragingen die een veiligheidsingenieur kan analyseren met behulp van traditionele FMEA. De reactie van het model op een input buiten het distributiegebied, een nieuw object, een onverwachte lichtomstandigheid of een gedeeltelijke occlusie kan geleidelijk afnemen of plotseling falen, en het is niet eenvoudig te voorspellen wat er zal gebeuren.

ISO 22166 (de opkomende norm voor prestatiecriteria voor op AI gebaseerde robotsystemen) is in ontwikkeling en zal naar verwachting een aantal van deze lacunes opvullen, maar is nog niet definitief. In de tussentijd sluit de verantwoorde aanpak aan bij de redenering van SOTIF (Safety of the Intended Functionality, ISO 21448) uit de automobielindustrie: identificeer de omstandigheden waaronder de beoogde functie van het systeem faalt, definieer het operationele ontwerpgebied (ODD) waarbinnen het systeem mag functioneren en beperk de werking buiten dat ODD totdat er aanvullend validatiebewijs is verzameld.

Volgens observaties uit de industrie over vroege VLA-implementaties, is de meest voorkomende veiligheidsarchitectuur gebaseerd op een klassieke veiligheidsmonitor die de inferentie-output van de VLA omhult. Deze monitor handhaaft werkruimtebeperkingen, snelheidslimieten en krachtdrempels, ongeacht wat het VLA-beleid vereist. De VLA genereert bewegingsdoelen; de veiligheidslaag bepaalt of deze doelen zijn toegestaan. Deze architectuur maakt het gebruik van een ISO 10218-compatibele veiligheidscontroller mogelijk, zelfs wanneer het upstream-beleid een neuraal netwerk is.

Voor IATF16949-gecertificeerde productieomgevingen, waar procestraceerbaarheid en gedefinieerde controleplannen verplicht zijn, brengt VLA-gebaseerde automatisering een extra documentatielast met zich mee. Ingenieurs moeten de ODD definiëren, inferentie-inputs en -outputs loggen en procedures opstellen voor het detecteren van en herstellen van out-of-distribution-condities. Dit is niet onmogelijk, maar het brengt extra validatiekosten met zich mee die klassieke offline geprogrammeerde systemen niet hebben.

Volgens het IFR 2025 World Robotics Report blijft de naleving van veiligheidsnormen een van de drie grootste belemmeringen voor de versnelde adoptie van robots in ontwikkelingslanden. EVST pakt dit aan door CE-, SGS- en TÜV-certificeringen van derden al in de ontwerpfase van haar robotproductlijn te integreren. Hierdoor kunnen integrators die EVST-hardware gebruiken als fysieke laag onder een VLA-inferentiestack, beginnen met een gecertificeerde mechanische en elektrische basis in plaats van een systeem volledig op maat te moeten certificeren.

-

Veelgestelde Vragen / FAQ

Wat is het verschil tussen een VLA-model en een traditioneel robotvisiesysteem?

Een traditioneel robotvisiesysteem (2D-camera + objectdetectie of 3D-puntenwolk + positiebepaling) levert geometrische gegevens (waar een object zich bevindt, welke oriëntatie het heeft) die vervolgens als input dienen voor een aparte bewegingsplanner. Een VLA-model (Virtual Language Assemblage) gebruikt camerabeelden en een instructie in een programmeertaal als input en genereert direct robotacties, zonder een aparte planningsmodule. De VLA-aanpak is flexibeler voor nieuwe objecten en veranderingen in instructies; de traditionele aanpak is meer deterministisch en gemakkelijker te valideren aan de hand van veiligheidsnormen.

Is geïntegreerde AI in de industriële productie klaar voor gebruik in 2026?

Voor de meeste toepassingen bevindt het zich nog in een vroeg stadium. Verschillende platforms (zoals Covariant RFM-1 voor e-commerce fulfillment en Figure AI Helix voor pilotprojecten in de autoassemblage) zijn weliswaar verder gegaan dan puur onderzoek, maar een brede productie-implementatie met de betrouwbaarheidsniveaus die industriële klanten verwachten (uptime van meer dan 99%, herhaalbaarheid tot op de millimeter nauwkeurig, gecertificeerde veiligheid) ligt voor de meeste taakcategorieën nog één tot drie jaar in de toekomst. Het picken van artikelen uit bakken met een grote variëteit is het dichtst bij productiegereedheid.

Hoeveel demonstraties heeft een VLA-model nodig om een ​​nieuwe industriële taak te leren?

Het antwoord verschilt aanzienlijk per model en taak. Met een sterke, vooraf getrainde basis zoals OpenVLA of GR00T kan finetuning op basis van slechts 50-100 demonstraties al bruikbare prestaties opleveren voor eenvoudige tafelbladmanipulatietaken. Complexe, behendige of precisie-industriële taken vereisen mogelijk 500-2,000 demonstraties voor een acceptabel succespercentage. Volgens observaties uit de industrie tijdens vroege pilotprogramma's ligt de praktische ondergrens voor een commercieel haalbare, taakspecifieke implementatie doorgaans op 100-300 uur aan teleoperatiegegevens.

Wat is de kloof tussen simulatie en realiteit en hoe pakken VLA-ontwikkelaars die aan?

De kloof tussen simulatie en realiteit is de afname in beleidsprestaties wanneer een in simulatie getraind model wordt ingezet op een fysieke robot. Deze kloof heeft twee hoofdoorzaken: visuele domeinverschuiving (weergegeven beelden zien er anders uit dan echte camerabeelden) en fysicadomeinverschuiving (gesimuleerde contactkrachten, wrijving en objectvervorming verschillen van het gedrag in de echte wereld). Domeinrandomisatie, waarbij texturen, belichting, massa's en fysicaparameters willekeurig worden gevarieerd tijdens de simulatietraining, is de meest gebruikte oplossing. NVIDIA Cosmos voegt fotorealistische videogeneratie toe als extra gegevensbron. De meeste ingezette VLA-systemen vullen simulatiegegevens aan met demonstraties op echte robots om de resterende kloof te dichten.

Kan AI in fysieke vorm samenwerken met bestaande industriële robotarmen, of is daarvoor nieuwe hardware nodig?

Bestaande robotarmen kunnen dienen als de fysieke laag voor door VLA gegenereerde bewegingsdoelen, mits de controller externe positie- of snelheidscommando's met een voldoende frequentie kan accepteren (doorgaans 10-100 Hz). De VLA-inferentiestack draait op een aparte GPU-rekennode en stuurt doelposities naar de robotcontroller via een standaardinterface (EtherCAT, OPC UA of leverancierspecifieke API). De volledige EVST QJAR-serie en XR cobot-serie armen beschikken over standaard veldbusinterfaces die deze tweelaagse architectuur mogelijk maken, waardoor fabrieken hun bestaande hardware niet hoeven te vervangen om VLA-inferentiepilots uit te voeren.

-

Gerelateerd lezen

• Mensachtige robots in de industriële productie: waar staan ​​ze in 2026?Dit is een verwant artikel over de implementatie van Figure, Agility, Apptronik en Boston Dynamics in fabrieksomgevingen.
• Mensachtige robots versus industriële robotarmen: welke past het beste bij uw fabriek in 2026?een taak-voor-taak vergelijking van de handvaardigheid van humanoïden met de prestaties van gearticuleerde armen
• Complete gids voor collaboratieve robots: typen, selectie en toepassingen in 2026waarbij de architectuur van cobots, veiligheidsnormen en selectiekaders uitgebreid aan bod komen.
• Top 10 fabrikanten van industriële robots in China: editie 2026met informatie over ESTUN, SIASUN, GSK, EVST en andere exporteurs, inclusief specificaties voor laadvermogen en toepassingen.
• Geïntegreerde AI voor industriële fabrikanten: toepassingsvoorbeelden, rendement op investering (ROI) en pilotprojecteneen praktische gereedheidskaart en pilotselectiegids voor productieteams
• Toonaangevende bedrijven op het gebied van robotica-stichtingsmodellen en belichaamde AI in 2026het landschap van organisaties die VLA- en robotstichtingsmodellen bouwen

-

Laatst bijgewerkt: 12 juni 2026. Gegevens over VLA-modelparameters en -implementaties zijn afkomstig uit openbaar beschikbare onderzoeksrapporten (Brohan et al. 2023, Kim et al. 2024) en aankondigingen van fabrikanten. Marktgegevens zijn afkomstig uit het World Robotics Report 2025 van de International Federation of Robotics (IFR). Waar specifieke cijfers niet beschikbaar zijn, wordt "volgens observaties uit de industrie" gebruikt in plaats van niet-gebronnen getallen.

Klik op Geïntegreerde AI-oplossingen →