Η Gravis Robotics συγκεντρώνει $200M σε σειρά A για την κλιμάκωση αυτόνομων βαρέων μηχανημάτων

Gravis Robotics έχει συγκεντρώσει $200 εκατομμύρια σε χρηματοδότηση Σειράς A από τη SoftBank, παρέχοντας στην ελβετική εταιρεία ρομποτικής κατασκευών σημαντικό νέο κεφάλαιο για την επέκταση της τεχνολογίας αυτόνομων βαρέων μηχανημάτων σε παγκόσμια έργα υποδομών.

Η εταιρεία περιγράφει τη χρηματοδότηση ως τη μεγαλύτερη Σειρά Α στην ρομποτική κατασκευών μέχρι σήμερα. Η γύρος έρχεται καθώς οι επενδύσεις σε physical AI επεκτείνονται όλο και περισσότερο πέρα από τα ανθρωποειδή ρομπότ και την αυτοματοποίηση αποθηκών, σε βιομηχανίες όπου τα μηχανήματα πρέπει να αλληλεπιδρούν με πολύπλοκα, μεταβαλλόμενα περιβάλλοντα.

Για τη Gravis, αυτό το περιβάλλον είναι το εργοτάξιο. Αντί να κατασκευάζει νέα βαριά εξοπλισμό από το μηδέν, η εταιρεία αναπτύσσει υλικό και λογισμικό AI σχεδιασμένα για να εξοπλίσουν υπάρχουσες εκσκαφείς και άλλα μηχανήματα μετακίνησης γης, προσθέτοντας ουσιαστικά διαφορετικούς βαθμούς αυτόνομης λειτουργίας στους στόλους που ήδη διαθέτουν οι εργολάβοι.

Η νέα χρηματοδότηση θα χρησιμοποιηθεί για την επιτάχυνση της διεθνούς κυκλοφορίας της Gravis, την επέκταση της ομάδας μηχανικών της, και την ενσωμάτωση των αυτόνομων συστημάτων της σε περισσότερα έργα κατασκευής και υποδομών.

Φέρνοντας το Physical AI στη Βαριά Κατασκευή

Ιδρύθηκε στα τέλη του 2022 ως αποσύνδεση από το ETH Zurich, η Gravis προέκυψε από έρευνα στη ρομποτική και τα αυτόνομα συστήματα ελέγχου. Η εταιρεία διοικείται από τον Διευθύνοντα Σύμβουλο και συνιδρυτή Ryan Luke Johns και τον Διευθυντή Τεχνολογίας και συνιδρυτή Dominic Jud, με τον ερευνητή ρομποτικής Marco Hutter να λειτουργεί ως συνιδρυτής και μέλος του διοικητικού συμβουλίου.

Η κατασκευή παρουσιάζει διαφορετική πρόκληση από πολλά από τα περιβάλλοντα όπου τα αυτόνομα μηχανήματα έχουν κερδίσει έδαφος.

Ένα αυτόνομο όχημα, για παράδειγμα, προσπαθεί γενικά να κατανοήσει και να περιηγηθεί με ασφάλεια σε ένα περιβάλλον χωρίς να το αλλάξει. Από την άλλη, από μια εκσκαφή αναμένεται να κάνει το αντίστροφο. Κάθε κίνηση του κουβά τροποποιεί το έδαφος που η μηχανή πρέπει να κατανοήσει στη συνέχεια.

Η μηχανή μπορεί επίσης να αντιμετωπίσει έδαφος, βράχους, μεταβαλλόμενες κλίσεις, υπόγειο αντίσταση και άλλες συνθήκες που δεν μπορούν να προβλεφθούν πλήρως εκ των προτέρων.

Η Gravis προσπαθεί να αντιμετωπίσει αυτή την αβεβαιότητα μέσω συστημάτων ρομποτικού ελέγχου βασισμένων στη μάθηση, που συνδυάζουν δεδομένα από την υδραυλική της μηχανής με LiDAR, κάμερες και εντοπισμό μέσω του Παγκόσμιου Συστήματος Πλοήγησης (GNSS). Το λογισμικό της ερμηνεύει συνεχώς το περιβάλλον της μηχανής και τις φυσικές δυνάμεις που την επηρεάζουν, αντί να εκτελεί απλώς μια προκαθορισμένη σειρά κινήσεων.

Η εταιρεία δηλώνει ότι τα μοντέλα της εκπαιδεύονται εκτενώς σε προσομοιώσεις, επιτρέποντας στην AI να αντιμετωπίσει μεγάλο αριθμό εικονικών σεναρίων εκσκαφής πριν εφαρμοστούν σε φυσική μηχανή.

Μετατρέποντας Υπάρχουσες Εκσκαφείς σε Αυτόνομα Μηχανήματα

Κεντρικό μέρος της στρατηγικής της Gravis είναι η αποφυγή εξάρτησης από έναν μόνο κατασκευαστή εξοπλισμού.

Οι στόλοι κατασκευής συνήθως αποτελούνται από μηχανήματα πολλαπλών εμπορικών σημάτων, συχνά συγκεντρωμένα μετά από χρόνια αγορών και ενοικιάσεων. Η απαίτηση από τους εργολάβους να αντικαταστήσουν αυτούς τους στόλους με ειδικά κατασκευασμένα αυτόνομα μηχανήματα θα μπορούσε να καταστήσει την υιοθέτηση σημαντικά πιο δύσκολη.

Αντί αυτού, η Gravis έχει αναπτύξει το Gravis RACK, ένα αρθρωτό αυτόνομο σύστημα ελέγχου που μπορεί να εγκατασταθεί σε υπάρχουσες εκσκαφείς και φορτωτές. Η εταιρεία δηλώνει ότι η πλατφόρμα έχει ήδη προσαρμοστεί σε εξοπλισμό από κατασκευαστές όπως Caterpillar, John Deere, JCB, Hitachi, Volvo, Yanmar, Case, Develon και Sumitomo.

Το σύστημα πάνω στην οροφή συνδυάζει κάμερες, 3D LiDAR, εντοπισμό GNSS RTK και υπολογιστική ισχύ αυτοκινητιστικού επιπέδου. Επειδή η επεξεργασία γίνεται στη μηχανή, η Gravis δηλώνει ότι οι αυτόνομες λειτουργίες μπορούν να συνεχίσουν να λειτουργούν ακόμη και όταν η αξιόπιστη σύνδεση δεν είναι διαθέσιμη, κάτι σημαντικό σε απομακρυσμένα ή ατελή εργοτάξια.

Η πλήρης κάλυψη LiDAR και η σύντηξη αισθητήρων χρησιμοποιούνται για συνεχή σάρωση του περιβάλλοντος εδάφους. Αυτές οι πληροφορίες μπορούν να υποστηρίξουν την αυτόνομη εκσκαφή ενώ ταυτόχρονα παράγουν τρισδιάστατα δεδομένα του χώρου, οπτικοποιήσεις κοπής-γεμίσματος και αρχεία ολοκληρωμένων εργασιών.

Το σύστημα αντίληψης της Gravis μπορεί επίσης να εντοπίζει φορτηγά σκυροδέματος και να συντονίζει πού πρέπει να τοποθετηθεί το εκσκαπτόμενο υλικό, επιτρέποντας στα αυτόνομα ροές εργασίας να επεκταθούν πέρα από την εκσκαφή σε δραστηριότητες όπως η φόρτωση και η διαχείριση υλικών.

Αυτονομία Χωρίς Αφαίρεση του Χειριστή

Η Gravis δεν προωθεί την αυτονομία ως μια μετάβαση «όλα ή τίποτα».

Η Slate tablet interface της επιτρέπει στους εργολάβους να μεταβαίνουν μεταξύ διαφόρων λειτουργικών τρόπων ανάλογα με την εργασία. Οι χειριστές μπορούν να παραμείνουν μέσα στην καμπίνα και να χρησιμοποιούν καθοδήγηση με υποβοήθηση AI, να απομακρυνθούν ενώ η μηχανή εκτελεί μεγαλύτερες αυτόνομες εργασίες, ή να επιβλέπουν τον εξοπλισμό απομακρυσμένα.

Στη λειτουργία Copilot μέσα στην καμπίνα, οι χειριστές μπορούν να χρησιμοποιούν ελέγχους tap-to-dig και ενισχυμένη οπτική καθοδήγηση. Οι εργασίες μπορούν να οριστούν μέσω Σχεδίασης Υποβοηθούμενης από Υπολογιστή (CAD) ή Building Information Modeling (BIM) γεωμετρίας, φυσικών σημείων αναφοράς ή συντεταγμένων. Η διεπαφή μπορεί τότε να οπτικοποιήσει πόσο υλικό πρέπει να αφαιρεθεί ή να προστεθεί ενώ η μηχανή λειτουργεί.

Στο άλλο άκρο του φάσματος, η απομακρυσμένη ορχήστρωση επιτρέπει σε έναν χειριστή να επιβλέπει και να χειρίζεται απομακρυσμένα μία ή περισσότερες μηχανές χρησιμοποιώντας ζωντανό βίντεο και πληροφορίες του χώρου.

Αυτή η υβριδική προσέγγιση μπορεί να αποδειχθεί σημαντική για την υιοθέτηση. Τα εργοτάξια σπάνια αποτελούνται από επαναλαμβανόμενες εργασίες που εκτελούνται υπό τέλεια ελεγχόμενες συνθήκες. Η διατήρηση των ανθρώπων μέσα στον λειτουργικό βρόχο δίνει στους εργολάβους τη δυνατότητα να εισάγουν την αυτονομία σταδιακά, αντί να επανασχεδιάζουν ολόκληρο το εργοτάξιο γύρω από πλήρως αυτόνομα εξοπλισμό.

Μία Λογισμική Στρώση σε Μικτούς Στόλους Κατασκευής

Η ευρύτερη φιλοδοξία είναι ουσιαστικά να δημιουργηθεί μια στρώση νοημοσύνης που τοποθετείται πάνω από την κατακερματισμένη αγορά βαρέων εξοπλισμών.

Εάν το ίδιο αυτόνομο λογισμικό μπορεί να λειτουργεί σε μηχανήματα πολλών κατασκευαστών και σε διάφορα μεγέθη, οι εργολάβοι θα μπορούσαν ενδεχομένως να εφαρμόσουν αυτοματοποίηση χωρίς να ενοποιήσουν ολόκληρο τον στόλο τους γύρω από έναν προμηθευτή.

Η Gravis δηλώνει ότι το σύστημα ελέγχου βασισμένο στη μάθηση προσαρμόζεται στα φυσικά χαρακτηριστικά διαφορετικών μηχανημάτων, αντί να απαιτεί την ανεξάρτητη προγραμματισμό κάθε εκσκαφέα.

Αυτή η διάκριση μπορεί να γίνει όλο και πιο σημαντική καθώς το physical AI μεταβαίνει από επιδείξεις σε εμπορική εφαρμογή. Ένα ρομποτικό σύστημα που αποδίδει καλά σε μία προσεκτικά ρυθμισμένη μηχανή είναι πολύ λιγότερο χρήσιμο για μεγάλους εργολάβους από λογισμικό που μπορεί να προσαρμοστεί σε ετερογενείς στόλους που ήδη λειτουργούν παγκοσμίως.

Η Gravis δηλώνει ότι η τεχνολογία εκσκαφής με επίγνωση του εδάφους μπορεί να αυξήσει την απόδοση έως και 30%, αν και τα πραγματικά κέρδη θα εξαρτώνται αδιαμφισβήτητα από το εξοπλισμό, την εργασία και τις συνθήκες του χώρου.

Μετάβαση από Ερευνητικά Έργα σε Ενεργά Εργοτάξια

Η Gravis είχε ήδη αρχίσει την εμπορική επέκταση πριν από την επένδυση της SoftBank.

Τον Νοέμβριο του 2025, η εταιρεία ανακοίνωσε $23 εκατομμύρια σε νέα χρηματοδότηση μαζί με συνεργασίες και υλοποιήσεις που περιλαμβάνουν εταιρείες όπως Holcim, Taylor Woodrow, HD Hyundai και Flannery Plant Hire. Τότε, η Gravis δήλωσε ότι τα συστήματά της ήταν ενεργά σε επτά χώρες, καλύπτοντας το Ηνωμένο Βασίλειο, την Ευρωπαϊκή Ένωση, τις Ηνωμένες Πολιτείες, τη Λατινική Αμερική και την Ασία.

Μία αξιοσημείωτη υλοποίηση περιελάμβανε αυτόνομη εκσκαφή σε ενεργό έργο υποδομής της Taylor Woodrow στο αεροδρόμιο του Μάντσεστερ. Η εταιρεία έχει επίσης εργαστεί σε αυτόνομη διαχείριση υλικών ορυχείου και έχει δημιουργήσει συνεργασία με τη Flannery σχεδιασμένη να κάνει διαθέσιμες εκσκαφείς εξοπλισμένες με την τεχνολογία Gravis μέσω της αγοράς ενοικίασης εξοπλισμού.

Αυτή η ιστορία εμπορευματοποίησης βοηθά να διακριθεί η πρόσφατη χρηματοδότηση από επενδύσεις στο physical AI που επικεντρώνονται κυρίως σε μελλοντικά πρωτότυπα. Η Gravis συγκεντρώνει κεφάλαια ενώ τα συστήματά της δοκιμάζονται και χρησιμοποιούνται ήδη παράλληλα με τις συμβατικές ομάδες κατασκευής.

Το Βρετανικό Έργο Θα Τοποθετήσει Αυτόνομους Εκσκαφείς σε Μεγαλύτερο Πιλοτικό Πρόγραμμα

Η επέκταση λαμβάνει επίσης κυβερνητική υποστήριξη.

Η Gravis και η Flannery Plant Hire επιλέχθηκαν πρόσφατα για ένα έργο στο πλαίσιο του προγράμματος συνδεδεμένης και αυτοματοποιημένης κινητικότητας CAM Pathfinder του Ηνωμένου Βασιλείου. Η πρωτοβουλία θα δοκιμάσει ένα πλήρως αυτόνομο σύστημα μετακίνησης γης με έξι εκσκαφείς, με εφαρμογές όπως η σκάψιμο τρυπών, η μαζική εκσκαφή και η φόρτωση φορτηγών.

Το έργο είναι ιδιαίτερα σχετικό επειδή η ενοικίαση εξοπλισμού θα μπορούσε να γίνει σημαντικό κανάλι διανομής για την αυτονομία στην κατασκευή.

Αντί να απαιτούνται από τους εργολάβους η αγορά αυτόνομων μηχανημάτων ή η μόνιμη αναβάθμιση των δικών τους στόλων, οι εταιρείες ενοικίασης θα μπορούσαν να παρέχουν εξοπλισμό εξοπλισμένο με αυτονομία για μεμονωμένα έργα. Αυτό θα μπορούσε να μειώσει τα οικονομικά και λειτουργικά εμπόδια για τη δοκιμή της τεχνολογίας.

Θα εκθέσει επίσης τα αυτόνομα συστήματα σε πολύ μεγαλύτερη ποικιλία εργοταξίων, διαμορφώσεων μηχανημάτων και εδαφικών συνθηκών, ενδεχομένως παράγοντας πολύτιμα λειτουργικά δεδομένα για τη βελτίωση των υποκείμενων μοντέλων AI.

Γιατί η Κατασκευή Αναδεικνύεται ως Κύρια Αγορά Physical AI

Η μεγαλύτερη προσοχή γύρω από το physical AI έχει εστιάσει σε humanoid robots. Τα βαριά μηχανήματα αντιπροσωπεύουν μια άλλη ενδεχομένως σημαντική ευκαιρία, και μια όπου η οικονομική περίπτωση χρήσης μπορεί να είναι πιο εύκολα ορισμένη.

Οι εκσκαφείς, οι φορτωτές και άλλα μηχανήματα εκτελούν ήδη τεράστιες ποσότητες φυσικής εργασίας. Η πρόκληση δεν είναι η εφεύρεση ενός νέου μηχανικού σχήματος, αλλά η προσθήκη νοημοσύνης σε εξοπλισμό που ήδη χρησιμοποιείται σε μεγάλη κλίμακα.

Αυτό δημιουργεί διαφορετική διαδρομή προς την εμπορευματοποίηση. Αντί να ζητούν από τους πελάτες να καθορίσουν τι πρέπει να κάνει ένας νέος τύπος ρομπότ, εταιρείες όπως η Gravis στοχεύουν σε εργασίες που οι εργολάβοι ήδη πληρώνουν εξειδικευμένοι εργαζόμενοι και ακριβός εξοπλισμός για να εκτελούν καθημερινά.

Η υπόλοιπη πρόκληση είναι η αξιοπιστία. Τα περιβάλλοντα κατασκευής είναι ακατάστατα, δυναμικά και κρίσιμα για την ασφάλεια, πράγμα που σημαίνει ότι ο αυτόνομος εξοπλισμός πρέπει να λειτουργεί σταθερά σε συνθήκες που είναι πολύ λιγότερο προβλέψιμες από τις παραγωγικές γραμμές ή τις αποθήκες.

Η εστίαση της Gravis στην προσομοίωση, την τηλεμετρία μηχανών, τη σύντηξη αισθητήρων και τα προσαρμόσιμα μοντέλα ελέγχου αντικατοπτρίζει πόσο δύσκολο είναι αυτό το πρόβλημα.

Η Χρηματοδότηση από τη SoftBank Βάζει τη Gravis σε Νέα Φάση Επέκτασης

Η Σειρά A των $200 εκατομμυρίων παρέχει στη Gravis σημαντικά περισσότερους πόρους για την αντιμετώπιση αυτής της πρόκλησης.

Αντί να χρηματοδοτεί απλώς περαιτέρω έρευνα, η μεγαλύτερη ευκαιρία τώρα βρίσκεται στην υλοποίηση: την εγκατάσταση συστημάτων σε περισσότερα εμπορικά σήματα εξοπλισμού, τη συγκέντρωση εμπειρίας από ενεργά κατασκευαστικά έργα και την απόδειξη ότι τα αυτόνομα μηχανήματα μπορούν να προσφέρουν συνεπή οικονομικά οφέλη εκτός ελεγχόμενων επιδείξεων.

Η στρατηγική αναβάθμισης θα μπορούσε να είναι ιδιαίτερα σημαντική. Οι κατασκευαστικές εταιρείες έχουν τεράστιο κεφάλαιο δεσμευμένο σε υπάρχοντα μηχανήματα, και μια πλατφόρμα που μπορεί να προσθέσει νοημοσύνη σε αυτά τα περιουσιακά στοιχεία θα μπορούσε να κλιμακωθεί διαφορετικά από τους ανταγωνιστές που απαιτούν από τους πελάτες να αγοράσουν εντελώς νέους ρομποτικούς στόλους.

Αν αυτό το μοντέλο αποδειχθεί αξιόπιστο, η κατασκευή μπορεί να γίνει μία από τις πιο σημαντικές αγορές του physical AI. Τα μηχανήματα είναι ήδη εκεί, η εργασία είναι ήδη καθορισμένη, και η ζήτηση για υποδομές συνεχίζει να αυξάνεται.

Gravis Robotics έχει τώρα άλλα $200 εκατομμύρια για να αποδείξει ότι η AI μπορεί να κάνει περισσότερα από το να κατανοεί και να πλοηγείται στον φυσικό κόσμο. Μπορεί να βοηθήσει στη διαμόρφωσή του.