Ein Forscherteam der Carnegie Mellon University hat mit Robot I/O (RIO) eine quelloffene Softwarearchitektur entwickelt, um das langjährige Infrastruktur-Defizit in der Robotik zu schließen. Bisher investieren Forschende häufig Wochen oder Monate in die Anbindung und Kalibrierung neuer Roboter, bevor eigentliche Experimente starten können. RIO adressiert diesen Engpass, indem es eine einheitliche Schnittstelle für Steuerung, Teleoperation, Datensammlung und die Bereitstellung künstlicher Intelligenz bereitstellt. Das modulare Framework ermöglicht den nahtlosen Übergang zwischen unterschiedlichen Roboterplattformen, von Greifarmen bis zu humanoiden Systemen, ohne dass Steuerungscode für jede Hardware neu implementiert werden muss. Die Praxiswirksamkeit demonstrierte ein Setup-Test: Eine Studentin ohne Robotik-Vorerfahrung konnte ein System innerhalb von zwei Stunden initialisieren und die Teleoperation aufnehmen. Damit überwindet RIO die Diskrepanz zwischen dem beschleunigten Fortschritt in der KI-Forschung und der nachhinkenden Hard- und Software-Infrastruktur der Robotik. Laut Associate Research Professor Jean Oh liegt das Haupthindernis in der Robotik-Forschung nicht am Mangel an Algorithmen, sondern an fehlenden gemeinsamen Bausteinen. Die Architektur von RIO stellt sicher, dass Module, Datensätze und Trainingspipelines zwischen Projekten austauschbar bleiben. Dies fördert die Reproduzierbarkeit von Ergebnissen und beschleunigt den Transfer zwischen einzelnen Laboren. Ph.D.-Student Eliot Xing unterstreicht, dass Roboterdaten nicht automatisch generiert würden; eine standardisierte Erfassungsinfrastruktur sei die Voraussetzung, um KI-Modelle skalierbar zu halten und auf anderen Systemen weiter aufzubauen. Die Flexibilität des Systems zeigt sich insbesondere bei komplexeren Aufbauten. Durch den Austausch einzelner Komponenten lassen sich identische Daten- und Schulungsworkflows für einarmige, zweiseitige oder humanoide Roboter nutzen, selbst bei variierenden Sensorkonfigurationen. Aus industrieller Perspektive bewertet Jonathan Francis vom Bosch Center for AI die Standardisierung als entscheidenden Faktor. RIO verkürze die Zeit zwischen Laborprototyp und marktreifer Anwendung, da industrielle Einsatzszenarien selten statische Umgebungen mit fester Sensorik vorsehen. Die Forschung fließt parallel über Lavoro AI, ein Start-up, das von Jean Oh mitgegründet wurde und sich auf die Vereinfachung von Roboterbereitstellung und Robot Learning spezialisiert hat. Die weitere Entwicklungsroadmap sieht die Erweiterung der Hardwareunterstützung und die Ausbildung von Robotik-Foundation-Modellen vor. Ziel ist es, autonome Systeme zu etablieren, die sich rasch und selbstständig auf neue Aufgaben und Umgebungen übertragen lassen. Mit RIO entsteht somit eine strukturelle Grundlage, die die Robotik-Forschung demokratisiert und die industrielle Integration von KI-gesteuerten Mechanismen systematisch beschleunigt.