Chef Robotics entwickelt Roboter zur Handhabung von Lebensmitteln auf Basis des NVIDIA Isaac-Technologiestacks

Chef Robotics kündigte am 7. Oktober 2026 an, seine Robotersysteme zur Handhabung von Lebensmitteln auf NVIDIAs Robotik-Entwicklungsstack aufzubauen. Dabei setzt das Unternehmen für Simulationen und digitale Zwillinge auf NVIDIA Isaac Sim, das auf NVIDIA Omniverse-Bibliotheken basiert, und für GPU-beschleunigte Bewegungsplanung auf NVIDIA cuMotion.

Das Unternehmen, das sich selbst als erstes bezeichnet, das eine skalierbare physische KI‑Lebensmittelrobotik‑Lösung kommerzialisiert hat, sagte, der Stack sei dazu gedacht, die Entwicklung und den Einsatz seiner Roboter zu beschleunigen und gleichzeitig Zuverlässigkeit in der Produktion zu gewährleisten. Chef Robotics berichtete außerdem, dass Kundeneinsätze seiner Systeme eine um bis zu 60 % höhere Arbeitsproduktivität erzielt haben.

Laut der Ankündigung gehören Lebensmittel zu den anspruchsvollsten Manipulationsumgebungen in der physischen Welt: Zutaten sind verformbar, nass und stark variabel, Produktionslinien laufen mit hoher Durchsatzrate unter kalten, harten Bedingungen, und die Lebensmittelherstellung leidet unter einem chronischen Arbeitskräftemangel. Die Entwicklung robotischer Systeme, die unter diesen Bedingungen zuverlässig funktionieren, und das schnelle Inbetriebsetzen neuer Einsätze, erfordert Simulation in Industriequalität und leistungsfähige Bewegungsplanung, sagte das Unternehmen.

Simulation und digitale Zwillinge mit Isaac Sim

Chef Robotics nutzt das offene Isaac‑Sim‑Framework, um physisch präzise digitale Zwillinge seiner robotischen Arbeitszellen und der Produktionslinien seiner Kunden zu erstellen. Neue Konfigurationen werden in einer virtuellen Umgebung entworfen, simuliert und validiert, bevor sie eingesetzt werden, wodurch das Unternehmen die Zellen gegenüber der Vielfalt an Zutaten, Behältern, Werkzeugen und Anlagenlayouts, die in den Einrichtungen seiner Kunden vorkommen, einem Stresstest unterziehen kann. Das Unternehmen sagte, dieser Ansatz verkürze den Weg vom Entwurf bis zur funktionierenden Inbetriebnahme auf dem Werksgelände.

NVIDIA beschreibt Isaac Sim als quelloffenes Referenzframework auf Basis von Omniverse-Bibliotheken für Robotiksimulation, Tests und die Erzeugung synthetischer Daten in physikalisch fundierten virtuellen Umgebungen. Laut NVIDIAs Entwicklerdokumentation liest das Framework Dateien aus der computergestützten Konstruktion, Modelle im Unified Robot Description Format oder Aufnahmen aus der realen Welt ein und wandelt sie in USD um. Anschließend stellen Entwickler Szenen zusammen, indem sie Materialien zuweisen, die Physiksimulation aktivieren sowie Roboter- und Sensormodelle konfigurieren. Das Framework unterstützt die steuerbare Erzeugung synthetischer Daten, die durch NVIDIAs Welt-Basismodelle Cosmos ergänzt werden kann. Außerdem lassen sich Wahrnehmungs- und Mobilitätsstacks in der Simulation trainieren und durch Software-in-the-Loop- oder Hardware-in-the-Loop-Tests bewerten. NVIDIA zufolge ist das Framework vollständig erweiterbar, sodass Entwickler eigene OpenUSD-basierte Simulatoren erstellen oder seine Funktionen in bestehende Test- und Validierungspipelines integrieren können. Laut NVIDIA ist Isaac Sim kostenlos nutzbar, unter Apache 2.0 als Open Source lizenziert und auf GitHub verfügbar.

Bewegungsplanung mit cuMotion

Für die Bewegungsplanung nutzt Chef Robotics cuMotion, um schnelle, kollisionsfreie Trajektorien für Roboter zu erzeugen, die in unübersichtlichen, hochvariablen Lebensmittelproduktionsumgebungen arbeiten. Das Unternehmen sagte, dies ermögliche seinen Systemen, Bewegungen effizient zu planen und anzupassen über das gesamte Aufgabenspektrum, das seine Roboter in der Produktion bewältigen, von Einzelteil‑Entnahme und Zusammenstellung durch mehrfaches Ablegen bis hin zu koordinierten Mehr‑Roboter‑Linien.

NVIDIA beschreibt cuMotion als eine Hochleistungs‑Bibliothek zur Bewegungs‑Generierung für Robotik, die sich hauptsächlich auf Manipulation konzentriert und durchgängig GPU‑Beschleunigung nutzt. Zu den dokumentierten Fähigkeiten gehören Kinematik und Inverse Kinematik, kollisionsbewusste Inverse Kinematik, kollisionsbewusste graphbasierte Pfadplanung, kollisionsbewusste Trajektorienoptimierung und End‑to‑End‑Bewegungs‑Generierung, reaktive Steuerung über das mathematische Framework RMPflow, zeitoptimale Trajektoriengenerierung für Pfade im Konfigurations‑ oder Aufgabenraum, Erzeugung von Kollisions‑Kugeln, die ein geschlossenes Mesh mit einer Menge von Kugeln annähern, sowie Robot‑Segmentierung, die den Beitrag eines Roboterarms aus Tiefenbild‑Streams entfernt. Roboter mit beliebiger Anzahl an Freiheitsgraden werden unterstützt, und die Bibliothek ist in C++ implementiert und verfügt über ein vollständiges Set an Python‑Bindings.

Laut dem Repository des Projekts stammt cuMotion von zwei früheren NVIDIA‑Bibliotheken ab: Lula, die über Jahre hinweg als Teil von Isaac Sim veröffentlicht wurde und vollständig integriert ist, sowie cuRobo, einer von NVIDIA Research entwickelten Bibliothek, deren Algorithmen für kollisionsbewusste Inverse Kinematik und Trajektorienoptimierung in cuMotion in optimierten und gehärteten Implementierungen erscheinen. Das Repository gibt zudem an, dass cuMotion bald als Backend für die Bewegungs‑Generierung von Isaac ROS cuMotion und den Referenz‑Workflows für Manipulation in Isaac ROS dienen wird. Die aktuelle Version wird für Linux und Windows auf x86‑basierten Rechnern mit einer NVIDIA‑GPU der Turing‑Generation oder neuer sowie für Jetson Orin, Jetson Thor und DGX Spark bereitgestellt.

“Lebensmittel sind eines der schwierigsten Manipulationsprobleme in der physischen Welt, und ihre Lösung erfordert sowohl erstklassige KI als auch erstklassige Ingenieurwerkzeuge”, sagte Rajat Bhageria, Gründer und CEO von Chef Robotics. “Der Aufbau auf NVIDIAs Robotik‑Stack ermöglicht es unserem Team, schneller zu arbeiten – Systeme in einer virtuellen Umgebung zu entwerfen, zu simulieren und zu validieren und sie dann mit Zuversicht in realen Produktionsanlagen einzusetzen.” Bhageria beschrieb den Stack als einen zentralen Bestandteil davon, wie das Unternehmen physische KI in der Lebensmittelindustrie skaliert.