Gravis Robotics sichert sich 200 Millionen $ Series‑A-Finanzierung zur Skalierung autonomer Schwerlastmaschinen

Gravis Robotics hat $200 Millionen Series‑A-Finanzierung von SoftBank erhalten, wodurch das in Zürich ansässige Unternehmen für Bau‑Roboter erhebliches neues Kapital erhält, um seine Technologie für autonome Schwerlastmaschinen weltweit in Infrastrukturprojekten auszubauen.

Das Unternehmen bezeichnet die Finanzierung als die bisher größte Series‑A im Bereich Bau‑Roboter. Die Runde kommt zu einem Zeitpunkt, an dem Investitionen in physische KI zunehmend über humanoide Roboter und Lagerautomatisierung hinaus in Branchen expandieren, in denen Maschinen mit komplexen, sich verändernden Umgebungen interagieren müssen.

Für Gravis ist diese Umgebung die Baustelle. Anstatt neue Schwerlastgeräte von Grund auf zu bauen, entwickelt das Unternehmen Hardware und KI‑Software, die darauf ausgelegt sind, bestehende Bagger und andere Erdbewegungsmaschinen nachzurüsten, wodurch den bereits vorhandenen Flotten der Auftragnehmer unterschiedliche Grade autonomer Steuerung hinzugefügt werden können.

The new funding will be used to accelerate Gravis’ international rollout, expand its engineering team, and put its autonomous systems into more construction and infrastructure projects.

Physische KI in den Schwerbau einbringen

Gegründet Ende 2022 als Ausgründung der ETH Zürich, entstand Gravis aus der Forschung zu Robotik und autonomen Steuerungssystemen. Das Unternehmen wird von CEO und Mitgründer Ryan Luke Johns sowie CTO und Mitgründer Dominic Jud geleitet, wobei der Robotikforscher Marco Hutter als Mitgründer und Vorstandsmitglied fungiert.

Der Bau stellt eine andere Herausforderung dar als viele der Umgebungen, in denen autonome Maschinen bereits Fuß gefasst haben.

Ein selbstfahrendes Fahrzeug versucht beispielsweise, eine Umgebung zu verstehen und sicher zu durchqueren, ohne sie zu verändern. Von einem Bagger wird das Gegenteil erwartet. Jede Schaufelbewegung verändert das Terrain, das die Maschine anschließend erfassen muss.

Die Maschine kann zudem auf Boden, Gestein, wechselnde Neigungen, Untergrundwiderstand und weitere Bedingungen stoßen, die nicht vollständig im Voraus vorhergesagt werden können.

Gravis versucht, diese Unsicherheit durch lernbasierte Roboter‑Steuerungssysteme zu adressieren, die Daten aus der Hydraulik der Maschine mit LiDAR, Kameras und Global‑Navigation‑Satellite‑System‑ (GNSS‑)Positionsdaten kombinieren. Die Software interpretiert kontinuierlich die Umgebung der Maschine und die physikalischen Kräfte, die auf sie wirken, anstatt lediglich eine vorgegebene Bewegungssequenz auszuführen.

Das Unternehmen sagt, dass seine Modelle zudem intensiv in Simulationen trainiert werden, sodass die KI eine große Anzahl virtueller Baggerszenarien durchläuft, bevor sie auf physische Maschinen übertragen wird.

Bestehende Bagger in autonome Maschinen verwandeln

Ein zentraler Teil von Gravis’ Strategie ist es, die Abhängigkeit von einem einzigen Gerätehersteller zu vermeiden.

Bauflotten bestehen typischerweise aus Maschinen verschiedener Marken, die über Jahre hinweg durch Käufe und Mietverträge angesammelt wurden. Auftragnehmer zu verpflichten, diese Flotten durch eigens entwickelte autonome Maschinen zu ersetzen, könnte die Einführung erheblich erschweren.

Stattdessen hat Gravis das Gravis RACK entwickelt, ein modulares autonomes Steuerungssystem, das auf bestehenden Baggern und Radladern installiert werden kann. Das Unternehmen sagt, dass die Plattform bereits an Geräte von Herstellern wie Caterpillar, John Deere, JCB, Hitachi, Volvo, Yanmar, Case, Develon und Sumitomo angepasst wurde.

Das Dachsystem kombiniert Kameras, 3‑D‑LiDAR, GNSS‑RTK‑Positionsbestimmung und Automotive‑Grade‑Edge‑Computing. Da die Verarbeitung auf der Maschine selbst erfolgt, erklärt Gravis, dass autonome Funktionen weiterlaufen können, selbst wenn keine zuverlässige Konnektivität vorhanden ist – ein wichtiger Aspekt auf abgelegenen oder unvollendeten Baustellen.

Eine vollständige LiDAR‑Abdeckung und Sensor‑Fusion werden genutzt, um das umliegende Terrain kontinuierlich zu scannen. Diese Informationen können autonome Ausgrabungen unterstützen und gleichzeitig 3‑D‑Stellungsdaten, Schneide‑und‑Auffüll‑Visualisierungen sowie Aufzeichnungen der erledigten Arbeiten erzeugen.

Das Wahrnehmungssystem von Gravis kann zudem Muldenkipper identifizieren und koordinieren, wo das ausgehobene Material abgelagert werden soll, sodass autonome Arbeitsabläufe über das reine Graben hinaus auf das Laden und Materialhandling ausgedehnt werden können.

Autonomie, ohne den Bediener zu entfernen

Gravis positioniert Autonomie nicht als Alles‑oder‑Nichts‑Übergang.

Seine Slate tablet interface ermöglicht es Auftragnehmern, je nach Aufgabe zwischen mehreren Betriebsmodi zu wechseln. Bediener können in der Kabine bleiben und KI‑unterstützte Führung nutzen, sich zurückziehen, während die Maschine längere autonome Aufgaben ausführt, oder die Ausrüstung aus der Ferne überwachen.

Im In‑Cab‑Copilot‑Modus können Bediener Tap‑to‑Dig‑Steuerungen und erweiterte visuelle Führung verwenden. Aufträge können über Computer‑Aided‑Design (CAD) oder Building Information Modeling (BIM)-Geometrie, physische Referenzpunkte oder Koordinaten definiert werden. Die Schnittstelle kann dann visualisieren, wie viel Material entfernt oder hinzugefügt werden muss, während die Maschine arbeitet.

Am anderen Ende des Spektrums erlaubt die Remote‑Orchestrierung einem Bediener, ein oder mehrere Geräte mittels Live‑Video und Standortinformationen zu überwachen und aus der Ferne zu steuern.

Dieser hybride Ansatz könnte für die Akzeptanz entscheidend sein. Baustellen bestehen selten aus repetitiven Aufgaben unter perfekt kontrollierten Bedingungen. Menschen im operativen Loop zu behalten, gibt Auftragnehmern die Möglichkeit, Autonomie schrittweise einzuführen, anstatt den gesamten Arbeitsplatz um vollständig fahrerlose Geräte neu zu gestalten.

Eine Softwareschicht über gemischten Bauflotten

Das übergeordnete Ziel ist im Wesentlichen, eine Intelligenzschicht zu schaffen, die über dem fragmentierten Schwerlastgerätemarkt liegt.

Wenn dieselbe autonome Software Maschinen verschiedener Hersteller und unterschiedlicher Größenklassen steuern kann, könnten Auftragnehmer Automation einsetzen, ohne ihre gesamte Flotte um einen einzigen Anbieter zu standardisieren.

Gravis sagt, dass sein lernbasiertes Steuerungssystem sich an die physikalischen Eigenschaften verschiedener Maschinen anpasst, anstatt jeden Bagger einzeln programmieren zu müssen.

Diese Unterscheidung könnte zunehmend wichtiger werden, wenn physische KI von Demonstrationen in die kommerzielle Anwendung übergeht. Ein robotisches System, das auf einer sorgfältig konfigurierten Maschine gut funktioniert, ist für große Auftragnehmer deutlich weniger nützlich als Software, die sich an die bereits weltweit eingesetzten heterogenen Flotten anpassen kann.

Gravis erklärt, dass seine terrain‑aware‑Excavation‑Technologie den Durchsatz um bis zu 30 % steigern kann, wobei die tatsächlichen Gewinne natürlich von Maschine, Auftrag und Standortbedingungen abhängen.

Vom Forschungsprojekt zu aktiven Baustellen

Gravis hatte bereits vor der SoftBank‑Investition begonnen, kommerziell zu expandieren.

Im November 2025 kündigte das Unternehmen 23 Millionen $ frisches Kapital zusammen mit Partnerschaften und Einsätzen bei Unternehmen wie Holcim, Taylor Woodrow, HD Hyundai und Flannery Plant Hire an. Zu diesem Zeitpunkt sagte Gravis, dass seine Systeme in sieben Ländern aktiv seien, darunter das Vereinigte Königreich, die Europäische Union, die Vereinigten Staaten, Lateinamerika und Asien.

Ein bemerkenswerter Einsatz betraf autonome Ausgrabungen bei einem aktiven Taylor‑Woodrow‑Infrastrukturprojekt am Manchester Airport. Das Unternehmen hat zudem an autonomer Steinbruch‑Materialhandhabung gearbeitet und eine Partnerschaft mit Flannery aufgebaut, um Bagger mit Gravis‑Technologie über den Geräte‑Verleihmarkt verfügbar zu machen.

Diese Kommerzialisierungsgeschichte hilft, die aktuelle Finanzierung von physischen‑KI‑Investitionen zu unterscheiden, die vorwiegend auf zukünftige Prototypen ausgerichtet sind. Gravis sammelt Kapital, während seine Systeme bereits getestet und neben konventionellen Bauteams eingesetzt werden.

UK‑Projekt wird autonome Bagger in einen größeren Test einbinden

Der Ausbau erhält zudem staatliche Unterstützung.

Gravis und Flannery Plant Hire wurden kürzlich für ein Projekt im Rahmen des britischen CAM‑Pathfinder‑Programms für vernetzte und automatisierte Mobilität ausgewählt. Die Initiative wird ein vollständig autonomes Erdbewegungssystem an sechs Baggern testen, mit Anwendungen wie Graben, Massenausgrabungen und LKW‑Beladung.

Das Projekt ist besonders relevant, weil die Gerätevermietung zu einem wichtigen Vertriebskanal für Bau‑Autonomie werden könnte.

Statt Auftragnehmer zu verpflichten, autonome Maschinen zu kaufen oder ihre eigenen Flotten dauerhaft nachzurüsten, könnten Verleihfirmen autonome, ausgerüstete Geräte für einzelne Projekte bereitstellen. Das könnte die finanziellen und operativen Hürden für Experimente mit der Technologie senken.

Es würde autonome Systeme zudem einer viel breiteren Palette von Baustellen, Maschinenkonfigurationen und Bodenbedingungen aussetzen und potenziell wertvolle Betriebsdaten zur Verbesserung der zugrunde liegenden KI‑Modelle generieren.

Warum das Bauwesen als bedeutender Markt für physische KI entsteht

Ein Großteil der Aufmerksamkeit rund um physische KI konzentrierte sich bisher auf humanoide Roboter. Schwerlastmaschinen stellen eine weitere potenziell bedeutende Chance dar, bei der das wirtschaftliche Nutzungsszenario leichter zu definieren sein könnte.

Bagger, Lader und andere Maschinen verrichten bereits enorme physische Arbeit. Die Herausforderung besteht nicht darin, einen neuen mechanischen Formfaktor zu erfinden, sondern Intelligenz zu Geräten hinzuzufügen, die bereits in großem Maßstab im Einsatz sind.

Dies eröffnet einen anderen Weg zur Kommerzialisierung. Anstatt Kunden zu fragen, welche Aufgaben ein neuer Robotertyp übernehmen soll, zielen Unternehmen wie Gravis auf Tätigkeiten ab, für die Auftragnehmer bereits qualifizierte Arbeitskräfte und teure Maschinen täglich bezahlen.

Die verbleibende Herausforderung ist Zuverlässigkeit. Baustellenumgebungen sind unordentlich, dynamisch und sicherheitskritisch, was bedeutet, dass autonome Geräte konsistent unter Bedingungen arbeiten müssen, die weitaus weniger vorhersehbar sind als Fabrikböden oder Lagerhallen.

Der Fokus von Gravis auf Simulation, Maschinentelemetrie, Sensorfusion und anpassbare Steuerungsmodelle verdeutlicht, wie schwierig dieses Problem ist.

SoftBank‑Finanzierung versetzt Gravis in eine neue Expansionsphase

Die 200 Millionen $ Series‑A geben Gravis deutlich mehr Ressourcen, um diese Herausforderung anzugehen.

Statt lediglich weitere Forschung zu finanzieren, liegt ein großer Teil der Chance jetzt in der Implementierung: Installation von Systemen in mehr Geräte‑Marken, das Sammeln von Erfahrungen aus aktiven Bauprojekten und der Nachweis, dass autonome Maschinen konsistente wirtschaftliche Vorteile außerhalb kontrollierter Demonstrationen liefern können.

Die Nachrüst‑Strategie könnte besonders wichtig sein. Bauunternehmen haben enorme Kapitalmengen in bestehenden Maschinen gebunden, und eine Plattform, die Intelligenz über diese Anlagen hinweg hinzufügen kann, könnte sich anders skalieren als Wettbewerber, die Kunden zum Kauf völlig neuer Robotik‑Flotten zwingen.

Wenn dieses Modell zuverlässig ist, könnte das Bauwesen zu einem der bedeutendsten Märkte für physische KI werden. Die Maschinen sind bereits vorhanden, die Arbeit ist bereits definiert, und die Nachfrage nach Infrastruktur wächst weiter.

Gravis Robotics hat nun weitere 200 Millionen $, um zu demonstrieren, dass KI mehr kann, als die physische Welt zu verstehen und zu navigieren. Sie kann sie mitgestalten.