BMW und Figure AI setzen humanoiden Roboter in der Produktion ein
11. Oktober 2026 · 3 Min. Lesezeit
Der Automobilkonzern BMW und das Technologieunternehmen Figure AI haben humanoiden Roboter in ihre Produktionsprozesse integriert, um industrielle Aufgaben zu automatisieren. Diese Zusammenarbeit markiert einen bedeutenden Schritt in der Anwendung physischer Künstlicher Intelligenz in der Fertigung. Die Roboter arbeiten nun direkt in den Werken und übernehmen spezifische Aufgaben, die zuvor von Menschen oder einfacheren Maschinen erledigt wurden.
Die Technologie basiert auf dem Konzept der verkörperten Künstlichen Intelligenz, die es Robotern ermöglicht, die reale Welt über fortschrittliche Sensoren wie Kameras und Lidar-Systeme wahrzunehmen. Sie verstehen physikalische Gesetze wie Gravitation und Reibung durch Deep-Learning-Modelle und handeln autonom in ihrer Umgebung. Im Gegensatz zu rein digitaler Intelligenz interagieren diese Systeme physisch mit ihrer Umwelt. BMW und Figure AI haben diese Modelle in die reale Produktionslinie eingeführt, beginnend mit dem Werk in Spartanburg in den Vereinigten Staaten.
Eine zentrale Anwendung ist der Einsatz des Roboters Figure 02 für das Zusammenbauen und das Beladen von Materialien. Der Roboter führt Blechkomponenten in Schweißstationen ein und positioniert sie präzise. Während einer zehnwöchigen Felderprobung arbeitete der Roboter parallel zur Produktion von mehr als dreißigtausend BMW X3 Fahrzeugen. Er übernahm dabei hochpräzise, wiederkehrende und körperlich anstrengende Aufgaben, was die Effizienz der Fertigungslinie erhöhte.
In den letzten Monaten wurde der Roboter Figure 03 für Logistikoperationen eingesetzt. Er übernimmt das Sequenzieren von Materialien und Bauteilen, indem er Komponenten aus der Lieferkette abholt, sortiert und korrekt positioniert. Diese Teile erreichen die Fabrik oft in zufälligen oder unregelmäßigen Anordnungen. Der Roboter bereitet die Sequenzierwagen vor, die für die Montagelinien bestimmt sind, und optimiert so den Materialfluss.
Die Roboter nutzen ein neuronales Vision-Language-Action-Modell, das es ihnen erlaubt, den Raum um sich zu bewerten und Greiftrajektorien autonom zu korrigieren. Dadurch entfällt die Notwendigkeit für starre, vorprogrammierte Pfade oder Sequenzen. Diese Flexibilität ermöglicht es den Robotern, sich an die Variabilität der Operationen anzupassen und in nicht strukturierten Umgebungen zu arbeiten. Zudem können sie sicher mit Menschen zusammenarbeiten und die manuelle Programmierung reduzieren.
Trotz der Vorteile bleiben erhebliche Hindernisse für die breite Adoption bestehen. Die physische Interaktion und die fortgeschrittene Manipulation erfordern eine Verarbeitung von motorischen und sensorischen Rückmeldungen, die bei vielen Robotern noch elementar ist. Zudem sind die Rechenkosten hoch, da die Basismodelle oft auf Cloud-Infrastrukturen angewiesen sind. Das sogenannte Moravec-Paradoxon verdeutlicht, dass es für Computer einfacher ist, intellektuelle Aufgaben zu lösen, als die Wahrnehmungs- und Mobilitätsfähigkeiten eines einjährigen Kindes zu erreichen.
Potenzielle Risiken umfassen Cybersicherheitsbedrohungen, bei denen Angriffe die Aktionen der Roboter manipulieren könnten. Auch die Zuverlässigkeit ist ein Thema, da physische Intelligenz wie digitale Systeme zu Halluzinationen neigen kann. Ein weiterer Aspekt ist die Lücke zwischen Simulation und Realität, bei der Diskrepanzen zwischen simulierten und realen Bedingungen auftreten. Schließlich besteht die Gefahr, dass Roboter Entscheidungen treffen, die für die menschliche Sicherheit potenziell gefährlich sind.
Ein zukünftiger Entwicklungsschritt besteht darin, Robotern das Ziel statt die Sequenz vorzugeben. Experten am Politecnico di Milano forschen daran, wie Roboter durch die Simulation verschiedener Szenarien selbst die Handlungssequenzen wählen können, um ein festgelegtes Ziel zu erreichen. Diese Ansätze zielen darauf ab, die Fluidität und Effektivität der Aktionen, wie das Greifen von Teilen oder das Ausbreiten von Stoffen, weiter zu verbessern.