Roboter montieren NVIDIA GB300-Testmodule

NVIDIA Seattle Robotics Lab und das Isaac-Engineering-Team haben einen Durchbruch bei der Automatisierung der Montage von GB300-Tester-Trays erzielt. Die Trays dienen zur Verifizierung der Leistungs- und Funktionstüchtigkeit der KI-Superchips vor dem Versand. Zwei Kernaufgaben stellten sich als besonders anspruchsvoll heraus: Die Montage eines schweren Stromleiters samt Fixtures und die präzise Insertion von vier elektrischen Kabelsteckern in enge Anschlussbuchsen. Die Anforderungen der Produktionspartner Foxconn und des NVIDIA Operations Teams liegen bei 99,5 Prozent Erfolgsrate sowie einem maximal doppelten Zykluszeitfaktor im Vergleich zu geschulten Facharbeitern. Der Forschungsansatz verfolgte das Prinzip der optimalen Werkzeugwahl. Für die Busbar-Montage bewies sich ein klassischer, modularer Stack aus Wahrnehmung, Planung und Regelung. Die Pose-Schätzung wurde durch das spezialisierte DOPER-Framework sowie Multi-View-Analysen stabilisiert, während hocheffiziente Impedanzregler mit automatischer Dämpfungskompensation sanfte und präzise Kraftprofile ermöglichten. Drei Roboterarme koordinierten die Arbeit. Die Aufgabe wurde dabei bereits mit über 95 Prozent Trefferquote erfüllt, wobei die sequenzielle Verschraubung aktuell als Optimierungspotenzial identifiziert wurde. Bei der Stecker-Insertion zeigten sich die Grenzen datengetriebener End-to-End-Modelle. Aufgrund verformbarer Kabel, geringer visueller Texturen und begrenzter Austauschbarkeit der Teile ließ sich nicht in industriellem Maßstab skalieren, was NVIDIA als inverse bittere Lektion beschreibt. Stattdessen setzten die Entwickler auf eine hybride Strategie: DOPER lieferte zuverlässige 6D-Posen, mechanisch optimierte 3D-gedruckte Greifer reduzierten Unsicherheiten bereits beim Kontakt, und modellfreies Reinforcement Learning in der Isaac Lab-Umgebung wurde durch realseitig trainierte Residual-Policies ergänzt. Da die Steckern während der Insertion visuell verdeckt sind, basiert das finale Lernen auf Kraft-Drehmoment-Sensordaten. Die erreichte Erfolgsquote von 90 bis 95 Prozent liegt kurz vor dem industrialisierten Schwellenwert. Die technische Umsetzung wurde durch NVIDIAs interne Infrastruktur beschleunigt. Das TALOS-System orchestriert Echtzeit-Regelung und Planung nahtlos mit gelernten Policies, während containerisierte Robotics Services Dependency-Konflikte vermeiden und KI-Agenten den sicheren Zugriff auf physische Geräte ermöglichen. Die Studie unterstreicht, dass mechanisches Design, präzise klassische Regelung und gezielte synthetische Datensynthese lernbasierte Ansätze in unsicheren Fertigungsumgebungen effektiv ergänzen. Die Technologie wird nun schrittweise in die Fertigungslinien der Vertragsproduzenten überführt. Ziel ist die vollständige Erfüllung der industriellen Zuverlässigkeitsvorgaben, was die Produktion hochleistungsfähiger KI-Computing-Hardware massiv beschleunigen soll. Langfristig positioniert NVIDIA diesen Ansatz als strategische Antwort auf den prognostizierten Mangel an Fertigungsspezialisten und als Grundlage für eine sich selbst optimierende Robotik, die kontinuierlich aus Echtbetriebsdaten lernt und sich dynamisch an neue Produktionsschritte adaptiert.